Penggunaan Metode Naïve Bayes Classifier pada Analisis Sentimen Facebook Berbahasa Indonesia

Putu Sri Merta Suryani; Linawati Linawati; Komang Oka Saputra

doi:10.24843/MITE.2019.v18i01.P22

Putu Sri Merta Suryani Unud
Linawati Linawati
Komang Oka Saputra

##plugins.pubIds.doi.readerDisplayName## https://doi.org/10.24843/MITE.2019.v18i01.P22

Abstrak

Analisis sentimen merupakan bidang yang saat ini sangat diminati oleh berbagai kalangan. Analisis sentimendapat dilakukan dengan menggunakan dokumen maupun opini dari media sosial. Salah satu media sosial yang biasanya digunakan sebagai sarana opini adalah media sosial Facebook. Sebelum sebuah teks diklasifikasikan, perlu dilakukan POS Tagging yang merupakan tahap pelabelan kata dimana tujuannya adalah untuk menentukan kata yang termasuk opini dan non opini. Untuk pelabelan kata dapat menggunakan Hidden Markov Model maupun Rule Based. Adapun metode yang biasa digunakan dalam analisis sentimen adalah metode Naïve Bayes Classifier. Metode ini mengklasifikasikan probalitas dengan sederhana. Naïve Bayes Classifier dapat digunakan untuk mengklasifikasikan opini ke dalam opini positif maupun negatif. Selain itu metode ini menggunakan data latih dalam proses klasifikasinya. Klasifikasi yang dihasilkan dari metode Naïve Bayes Classifier tergolong cukup baik. Untuk menguji tingkat keakuratan sistem dalam mengklasifikasikan opini, maka dilakukan pengujian hasil klasifikasi. Dari hasil pengujian diperoleh rata-rata akurasi sebesar 87,1 %. Semakin banyak data latih yang mirip dengan data testing maka hasil klasifikasi akan semakin bagus.

Kata Kunci—Facebook, Analisis Sentimen, POS Tagging, Naïve Bayes Classifier, Akurasi

##plugins.generic.usageStats.downloads##

##plugins.generic.usageStats.noStats##

Referensi

[1] Bolshakov and Gelbukh, Computational Linguistics. 1st edition. 2004
[2] B. Liu, Sentiment Analysis and Opinion Mining. Morgan and Claypool Publishers, May 2012.
[3] A. Ortigosa, J. M. Martin, and R. M. Carro, “Sentiment analysis in Facebook and its application to e-learning”, Computers in Human Behavior., vol. 31, pp. 527–541, 2014.
[4] Surroop, K., Canoo, K., & Pudaruth, S., “A Novel Position-based Sentiment Classification Algorithm for Facebook Comments”, International Journal of Advanced Computer Science and Applications, Vol 7, issue 10, 261–268, 2017.
[5] Routray, Swain, and Mishra, “A Survey on Sentiment Analysis”, International Journal of Computer Applications, August, Vol 70, Issue 10, 2013.
[6] C. Troussas, M. Virvou, K. J. Espinosa, K. Llaguno, and J. Caro, “Sentiment analysis of Facebook statuses using Naïve Bayes classifier for language learning”, IEEE., 2013.
[7] K. Widhiyanti dan A. Harjoko, “POS Tagging Bahasa Indonesia dengan HMM dan Rule Based”, Jurnal Teknologi Komputer dan Informatika., Vol 8, No 2, Nopember 2012.
[8] P. B. Matharasi dan A. Senthilrajan, “Sentiment Analysis of Twitter Data Using Naïve Bayes with Unigram Apparoach”, International Journal of Scientific and Research Publication, vol 7, issue 5, May 2017.
[9] (2017) Informatikalogi website. [Online]. Available: https://informatikalogi.com/algoritma-naive-bayes/
[10] Astaridewi, “Sistem Klasifikasi Reporting Berita Menggunakan Metode Naive Bayes (Studi Kasus Situs Resmi Pemerintahan). Jimbaran: Program Studi Teknik Informatika Jurusan Ilmu Komputer Fakultas Matematika Dan Ilmu Pengetahuan Alam Universitas Udayana”. Skripsi, Universitas Udayana, Indonesia, 2015.