Perbandingan Algoritma Klasifikasi untuk Analisis Sentimen Islam Nusantara di Indonesia
Comparison of Classification Algorithms for Sentiment Analysis of Islam Nusantara in Indonesia
DOI:
https://doi.org/10.57152/malcom.v2i1.199Keywords:
Crawling, Decision Tree, Islam Nusantara, KNN, NBC, TwitterAbstract
Penelitian ini menggunakan perbandingan tiga Algoritma Klasifikasi, yaitu K-Nearest Neighbor, Naïve Bayes, dan Decision Tree pada Analisis Sentimen Islam Nusantara berdasarkan data Twitter dengan cara mengcrawlingkan data Twitter komentar masyarakat Twitter tentang Islam Nusantara dari tanggal 1 Januari 2014 sampai 11 November 2019. Tools yang digunakan adalah python, Twitter, dan Rapid Miner. Awal penelitian dimulai dari pengumpulan data, proses, dan hasil dari akurasi yang tertinggi. Dari hasil tersebut, KNN dan NBC adalah algoritma terbaik dengan value yang sama yaitu 56,71% dengan 10 respon positif, 276 negatif, dan 3914 netral. Pendapat masyarakat dari Twitter mengenai Islam Nusantara kebanyakan adalah netral, bisa dibilang baik, dan bisa dibilang buruk. Islam Nusantara merupakan topik yang biasa saja dalam masyarakat Indonesia melalui data yang didapatkan saat ini.
References
D. Rosdiansyah, “ANALISIS SENTIMEN TWITTER MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR DAN PENDEKATAN LEXICON,” UIN Suska Riau, 2014.
C. B. Hanson, “Native Advertising on Facebook and Twitter?: A Content Analysis of Sponsored Messages in User News Feeds,” pp. 388–393, 2019.
C. Prianto, N. H. Harani, and I. Firmansyah, “Analisis Sentimen Terhadap Kandidat Presiden Republik Indonesia Pada Pemilu 2019 di Media Sosial Twitter,” vol. 3, no. 4, pp. 405–413, 2019.
E. Susanto and Karimullah, “Islam Nusantara: Islam Khas dan Akomodasi terhadap Budaya Lokal,” vol. 16, no. 1, pp. 56–80, 2016.
B. A. Saebani, “The role of islamic scholars in interpreting of the local culture as a model nusantara islam,” vol. 06, no. 12, pp. 161–174, 2019.
M. R. Irfan, M. A. Fauzi, and Tibyani, “Analisis Sentimen Kurikulum 2013 pada Twitter menggunakan Ensemble Feature dan Algoritma K-Nearest Neighbor,” vol. 2, no. 9, pp. 3006–3014, 2018.
M. Machado, E. Ruiz, and K. J. Abraham, “A New Statistical Approach for Comparing Algorithms for Lexicon Based Sentiment Analysis,” pp. 1–16, 2019.
N. Muchammad, P. Insap, W. Wahyu, “Studi Literatur Tentang Perbandingan Algoritma untuk Proses Analisis Sentimen di Twitter,”pp. 1-8, 2016
O. Somantri, “Text Mining Untuk Klasifikasi Kategori Cerita Pendek Menggunakan Naïve Bayes”, vol. 12, no. 1, pp. 1-6, 2017
Sheu, Jyh-Jian, May 2008, An Efficient Two-phase Spam Filtering Methode Based on E-mails categorization. International Journal of Network Security, Vol 8, No 3, pp. 334-343. Taiwan.
W.Imama, T. Eranti, “Prediksi Ketepatan Waktu Lulus Mahasiswa dengan k-NN dan NBC”, Vol. 3, No. 2, pp. 1-8 2017
B. Dwi, F. Slamat. “Klasifikasi Data Karyawan untuk menentukan Jadwal Kerja menggunakan Algoritma Decision Tree”, pp. 1-7
A. Harun and D. P. Ananda. "Analisa Sentimen Opini Publik Tentang Vaksinasi Covid-19 di Indonesia Menggunakan Naïve bayes dan Decission Tree: Analysis of Public Opinion Sentiment About Covid-19 Vaccination in Indonesia Using Naïve Bayes and Decission Tree.", MALCOM: Indonesian Journal of Machine Learning and Computer Science, Vol. 1, No. 1, pp: 58-64, 2021.
R. W. Hardian, P. E. Prasetio, U. Khaira, T. Suratno. "Analisis Sentiment Kuliah Daring Di Media Sosial Twitter Selama Pandemi Covid-19 Menggunakan Algoritma Sentistrength: Online Lecture Sentiment Analisys On Twitter Social Media During The Covid-19 Pandamic Using Sentistrength Algorithm.", MALCOM: Indonesian Journal of Machine Learning and Computer Science, Vol. 1, No. 2, pp: 138-143, 2021.
