Analisis Sentimen Pada Sosial Media Twitter Terhadap Kualitas Jaringan Internet Telkomsel Menggunakan Ensemble K-Nearest Neighbour -Support Vector Machine
Di Indonesia, PT Telekomunikasi Seluler, yang mengoperasikan layanan jaringan internet seluler melalui Telkomsel, merupakan salah satu perusahaan penyedia layanan internet. Opini pengguna Telkomsel mengenai kualitas layanan jaringan internet sering dijadikan representasi kepuasan pengguna, yang men...
Saved in:
| Main Authors: | , , |
|---|---|
| Format: | Article |
| Language: | Indonesian |
| Published: |
University of Brawijaya
2024-12-01
|
| Series: | Jurnal Teknologi Informasi dan Ilmu Komputer |
| Subjects: | |
| Online Access: | https://jtiik.ub.ac.id/index.php/jtiik/article/view/8713 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1823858635938201600 |
|---|---|
| author | Muchammad Farchan Fachrudin Cucun Very Angkoso Doni Abdul Fatah |
| author_facet | Muchammad Farchan Fachrudin Cucun Very Angkoso Doni Abdul Fatah |
| author_sort | Muchammad Farchan Fachrudin |
| collection | DOAJ |
| description |
Di Indonesia, PT Telekomunikasi Seluler, yang mengoperasikan layanan jaringan internet seluler melalui Telkomsel, merupakan salah satu perusahaan penyedia layanan internet. Opini pengguna Telkomsel mengenai kualitas layanan jaringan internet sering dijadikan representasi kepuasan pengguna, yang menjadi indikator penilaian dan evaluasi bagi perusahaan. Analisis sentimen, dengan melakukan klasifikasi opini pengguna ke dalam kelas positif, negatif, atau netral, dapat digunakan sebagai metode untuk mengukur kepuasan pengguna terhadap layanan tersebut. Dalam penelitian analisis sentimen ini menggunakan model algoritma machine learning yaitu K-Nearest Neighbour, Support Vector Machine, dan Ensemble KNN-SVM yang berbasis majority vote dan berbasis average. Dalam penelitian ini data yang diambil berasal dari Twitter dengan rentang waktu 7 Juli 2020 hingga 31 Desember 2022 dengan total jumlah data sebesar 30004 data dan diambil sampel yang diberi label sebesar 3900 data. Dari penggunaan data sampel tersebut, nilai akurasi pada model KNN pada K=15 memberikan hasil akurasi sebesar 83.21%, model SVM pada C=100 memberikan hasil akurasi sebesar 84.33%, model Ensemble KNN-SVM Majority Vote atau Hard Vote memberikan hasil akurasi sebesar 83.26%, dan model Ensemble KNN-SVM Average atau Soft Vote memberikan hasil akurasi sebesar 84.79%. Selain itu keempat model tersebut melakukan prediksi sentimen terhadap data yang belum dilabel dan keempat model tersebut memprediksi mayoritas sentimennya yaitu negatif. Sehingga dapat disimpulkan bahwa opini masyarakat terhadap kualitas layanan jaringan internet telkomsel adalah negatif. Secara keseluruhan, penggunaan model klasifikasi KNN, SVM, dan Ensemble KNN-SVM dalam melakukan analisis sentimen dapat dikatakan baik dan mampu untuk memprediksi sentimen pada sebuah data yang belum berlabel dan yang berlabel.
Abstract
In Indonesia, PT Telekomunikasi Cellular, which operates cellular internet network services through Telkomsel, is one of the internet service provider companies. Telkomsel users' opinions regarding the quality of internet network services are often used as a representation of user satisfaction, which is an indicator of assessment and evaluation for the company. Sentiment analysis, by classifying user opinions into positive, negative, or neutral classes, can be used as a method to measure user satisfaction with the service. This sentiment analysis research uses machine learning algorithm models, namely K-Nearest Neighbor, Support Vector Machine, and KNN-SVM Ensemble which are majority vote-based and average-based. In this study, the data taken came from Twitter with a period of July 7, 2020, to December 31, 2022, with a total amount of data of 30004 data and a labeled sample of 3900 data was taken. From the use of the sample data, the accuracy value of the KNN model at K = 15 gave an accuracy result of 83.21%, the SVM model at C = 100 gave an accuracy result of 84.33%, the KNN-SVM Majority Vote or Hard Vote Ensemble model gave an accuracy result of 83.26%, and the KNN-SVM Average or Soft Vote Ensemble model gave an accuracy result of 84.79%. In addition, the four models predict sentiment against unlabeled data and all four models predict the majority of sentiment is negative. So it can be concluded that public opinion on the quality of Telkomsel's internet network services is negative. Overall, the use of KNN, SVM, and Ensemble KNN-SVM classification models in conducting sentiment analysis can be said to be good and able to predict sentiment on unlabeled and labeled data.
|
| format | Article |
| id | doaj-art-942985f4e9724f9983bed26964373e57 |
| institution | Kabale University |
| issn | 2355-7699 2528-6579 |
| language | Indonesian |
| publishDate | 2024-12-01 |
| publisher | University of Brawijaya |
| record_format | Article |
| series | Jurnal Teknologi Informasi dan Ilmu Komputer |
| spelling | doaj-art-942985f4e9724f9983bed26964373e572025-02-11T10:36:37ZindUniversity of BrawijayaJurnal Teknologi Informasi dan Ilmu Komputer2355-76992528-65792024-12-0111610.25126/jtiik.1168713Analisis Sentimen Pada Sosial Media Twitter Terhadap Kualitas Jaringan Internet Telkomsel Menggunakan Ensemble K-Nearest Neighbour -Support Vector MachineMuchammad Farchan Fachrudin0Cucun Very Angkoso1Doni Abdul Fatah2Universitas Trunojoyo Madura, BangkalanUniversitas Trunojoyo Madura, BangkalanUniversitas Trunojoyo Madura, Bangkalan Di Indonesia, PT Telekomunikasi Seluler, yang mengoperasikan layanan jaringan internet seluler melalui Telkomsel, merupakan salah satu perusahaan penyedia layanan internet. Opini pengguna Telkomsel mengenai kualitas layanan jaringan internet sering dijadikan representasi kepuasan pengguna, yang menjadi indikator penilaian dan evaluasi bagi perusahaan. Analisis sentimen, dengan melakukan klasifikasi opini pengguna ke dalam kelas positif, negatif, atau netral, dapat digunakan sebagai metode untuk mengukur kepuasan pengguna terhadap layanan tersebut. Dalam penelitian analisis sentimen ini menggunakan model algoritma machine learning yaitu K-Nearest Neighbour, Support Vector Machine, dan Ensemble KNN-SVM yang berbasis majority vote dan berbasis average. Dalam penelitian ini data yang diambil berasal dari Twitter dengan rentang waktu 7 Juli 2020 hingga 31 Desember 2022 dengan total jumlah data sebesar 30004 data dan diambil sampel yang diberi label sebesar 3900 data. Dari penggunaan data sampel tersebut, nilai akurasi pada model KNN pada K=15 memberikan hasil akurasi sebesar 83.21%, model SVM pada C=100 memberikan hasil akurasi sebesar 84.33%, model Ensemble KNN-SVM Majority Vote atau Hard Vote memberikan hasil akurasi sebesar 83.26%, dan model Ensemble KNN-SVM Average atau Soft Vote memberikan hasil akurasi sebesar 84.79%. Selain itu keempat model tersebut melakukan prediksi sentimen terhadap data yang belum dilabel dan keempat model tersebut memprediksi mayoritas sentimennya yaitu negatif. Sehingga dapat disimpulkan bahwa opini masyarakat terhadap kualitas layanan jaringan internet telkomsel adalah negatif. Secara keseluruhan, penggunaan model klasifikasi KNN, SVM, dan Ensemble KNN-SVM dalam melakukan analisis sentimen dapat dikatakan baik dan mampu untuk memprediksi sentimen pada sebuah data yang belum berlabel dan yang berlabel. Abstract In Indonesia, PT Telekomunikasi Cellular, which operates cellular internet network services through Telkomsel, is one of the internet service provider companies. Telkomsel users' opinions regarding the quality of internet network services are often used as a representation of user satisfaction, which is an indicator of assessment and evaluation for the company. Sentiment analysis, by classifying user opinions into positive, negative, or neutral classes, can be used as a method to measure user satisfaction with the service. This sentiment analysis research uses machine learning algorithm models, namely K-Nearest Neighbor, Support Vector Machine, and KNN-SVM Ensemble which are majority vote-based and average-based. In this study, the data taken came from Twitter with a period of July 7, 2020, to December 31, 2022, with a total amount of data of 30004 data and a labeled sample of 3900 data was taken. From the use of the sample data, the accuracy value of the KNN model at K = 15 gave an accuracy result of 83.21%, the SVM model at C = 100 gave an accuracy result of 84.33%, the KNN-SVM Majority Vote or Hard Vote Ensemble model gave an accuracy result of 83.26%, and the KNN-SVM Average or Soft Vote Ensemble model gave an accuracy result of 84.79%. In addition, the four models predict sentiment against unlabeled data and all four models predict the majority of sentiment is negative. So it can be concluded that public opinion on the quality of Telkomsel's internet network services is negative. Overall, the use of KNN, SVM, and Ensemble KNN-SVM classification models in conducting sentiment analysis can be said to be good and able to predict sentiment on unlabeled and labeled data. https://jtiik.ub.ac.id/index.php/jtiik/article/view/8713K-Nearest NeighbourSupport Vector MachineAnalisis SentimenEnsemble LearningJaringan InternetTelkomsel |
| spellingShingle | Muchammad Farchan Fachrudin Cucun Very Angkoso Doni Abdul Fatah Analisis Sentimen Pada Sosial Media Twitter Terhadap Kualitas Jaringan Internet Telkomsel Menggunakan Ensemble K-Nearest Neighbour -Support Vector Machine Jurnal Teknologi Informasi dan Ilmu Komputer K-Nearest Neighbour Support Vector Machine Analisis Sentimen Ensemble Learning Jaringan Internet Telkomsel |
| title | Analisis Sentimen Pada Sosial Media Twitter Terhadap Kualitas Jaringan Internet Telkomsel Menggunakan Ensemble K-Nearest Neighbour -Support Vector Machine |
| title_full | Analisis Sentimen Pada Sosial Media Twitter Terhadap Kualitas Jaringan Internet Telkomsel Menggunakan Ensemble K-Nearest Neighbour -Support Vector Machine |
| title_fullStr | Analisis Sentimen Pada Sosial Media Twitter Terhadap Kualitas Jaringan Internet Telkomsel Menggunakan Ensemble K-Nearest Neighbour -Support Vector Machine |
| title_full_unstemmed | Analisis Sentimen Pada Sosial Media Twitter Terhadap Kualitas Jaringan Internet Telkomsel Menggunakan Ensemble K-Nearest Neighbour -Support Vector Machine |
| title_short | Analisis Sentimen Pada Sosial Media Twitter Terhadap Kualitas Jaringan Internet Telkomsel Menggunakan Ensemble K-Nearest Neighbour -Support Vector Machine |
| title_sort | analisis sentimen pada sosial media twitter terhadap kualitas jaringan internet telkomsel menggunakan ensemble k nearest neighbour support vector machine |
| topic | K-Nearest Neighbour Support Vector Machine Analisis Sentimen Ensemble Learning Jaringan Internet Telkomsel |
| url | https://jtiik.ub.ac.id/index.php/jtiik/article/view/8713 |
| work_keys_str_mv | AT muchammadfarchanfachrudin analisissentimenpadasosialmediatwitterterhadapkualitasjaringaninternettelkomselmenggunakanensembleknearestneighboursupportvectormachine AT cucunveryangkoso analisissentimenpadasosialmediatwitterterhadapkualitasjaringaninternettelkomselmenggunakanensembleknearestneighboursupportvectormachine AT doniabdulfatah analisissentimenpadasosialmediatwitterterhadapkualitasjaringaninternettelkomselmenggunakanensembleknearestneighboursupportvectormachine |