Perbandingan Algoritma Naïve Bayes dan TextBlob Untuk Mendapatkan Analisis Sentimen Masyarakat Pada Sosial Media

  • Giesta Rahguna Putri Program Studi Informatika, Institut Teknologi Tangerang Selatan, Tangerang Selatan https://orcid.org/0009-0009-9643-6194
  • Muhammad Akbar Maulana Program Studi Informatika, Institut Teknologi Tangerang Selatan, Tangerang Selatan
  • Samsul Bahri Program Studi Informatika, Institut Teknologi Tangerang Selatan, Tangerang Selatan
Keywords: Analisis Sentimen, Twitter, TextBlob, Naïve Bayes

Abstract

Media sosial Twitter adalah platform yang populer di Indonesia untuk berkomunikasi dan mendapatkan informasi dengan cepat. Hal ini memungkinkan masyarakat dengan mudah mengungkapkan opini dan sentimen mereka. Penelitian ini berfokus pada perbandingan algoritma TextBlob dan Naïve Bayes dalam menganalisis sentimen masyarakat. Temuan menunjukkan bahwa TextBlob mengklasifikasikan sebagian besar tweet sebagai positif, sementara Naïve Bayes menunjukkan kecenderungan yang serupa dengan akurasi sebesar 78,18%. Dari analisis TextBlob, sekitar 50,98% komentar menunjukkan sentimen positif, 16,01% negatif, dan 33,33% netral. Dengan menggunakan kedua algoritma ini, penelitian berhasil mengidentifikasi sentimen masyarakat dengan akurasi yang baik, menunjukkan distribusi yang jelas antara sentimen positif, netral, dan negatif.

Downloads

Download data is not yet available.

References

S. Puad and A. Susilo Yuda Irawan, “Analisis Sentimen Masyarakat Pada Twitter Terhadap Pemilihan Umum 2024 Menggunakan Algoritma Naïve Bayes,” 2023.

K. Zuhri, N. Adha, and O. Saputri, “Analisis Sentimen Masyarakat Terhadap Pilpres 2019 Berdasarkan Opini Dari Twitter Menggunakan Metode Naïve Bayes Classifier,” 2020. [Online]. Available: https://journal-computing.org/index.php/journal-cisa/index

R. Azhar, A. Surahman, and C. Juliane, “Analisis Sentimen Terhadap Cryptocurrency Berbasis Python TextBlob Menggunakan Algoritma Naïve Bayes,” 2022.

P. Al Muqsith Prasetyo and A. Hermawan, “Analisis Sentimen Twitter Terhadap Pemilihan Presiden Menggunakan Algoritma Naïve Bayes,” INFOTECH : Jurnal Informatika & Teknologi, vol. 4, no. 2, pp. 224–233, Dec. 2023, doi: 10.37373/infotech.v4i2.863.

K. Verena, S. Toy, Y. A. Sari, and I. Cholissodin, “Analisis Sentimen Twitter menggunakan Metode Naïve Bayes dengan Relevance Frequency Feature Selection (Studi Kasus: Opini Masyarakat mengenai Kebijakan New Normal),” 2021. [Online]. Available: http://j-ptiik.ub.ac.id

R. Vindua and A. U. Zailani, “Analisis Sentimen Pemilu Indonesia Tahun 2024 Dari Media Sosial Twitter Menggunakan Python,” JURIKOM (Jurnal Riset Komputer), vol. 10, no. 2, p. 479, Apr. 2023, doi: 10.30865/jurikom.v10i2.5945.

M. Akbar Maulana, A. Setyanto, and M. P. Kurniawan, “Seminar Nasional Teknologi Informasi dan Multimedia,” UNIVERSITAS AMIKOM Yogyakarta, 2018, [Online]. Available: http://www.twitter.com

F. A. Wenando, R. Hayami, and A. J. Anggrawan, “Analisis Sentimen Pada Pemerintahan Terpilih Pada Pilpres 2019 Ditwitter Menggunakan Algoritme Naïve Bayes,” JURTEKSI (Jurnal Teknologi dan Sistem Informasi), vol. 7, no. 1, pp. 101–106, Dec. 2020, doi: 10.33330/jurteksi.v7i1.851.

B. Indra Kusuma and A. Nugroho, “Cyberbullying Detection on Twitter Uses the Support Vector Machine Method,” Jurnal Teknik Informatika (JUTIF), vol. 5, no. 1, pp. 11–17, 2024, doi: 10.52436/1.jutif.2024.5.1.809.

D. Hazarika, G. Konwar, S. Deb, and D. J. Bora, “Sentiment Analysis on Twitter by Using TextBlob for Natural Language Processing,” in Proceedings of the International Conference on Research in Management & Technovation 2020, PTI, Jan. 2020, pp. 63–67. doi: 10.15439/2020km20.

L. Aji Andika and P. Amalia Nur Azizah, “Analisis Sentimen Masyarakat terhadap Hasil Quick Count Pemilihan Presiden Indonesia 2019 pada Media Sosial Twitter Menggunakan Metode Naïve Bayes Classifier,” 2019.

P. Pasek, O. Mahawardana, G. A. Sasmita, P. Agus, and E. Pratama, “Analisis Sentimen Berdasarkan Opini dari Media Sosial Twitter terhadap ‘Figure Pemimpin’ Menggunakan Python,” 2022.

M. H. Al-Areef and K. Saputra, “Nomor 2,” Agustus, vol. 22, pp. 270–279, 2023, [Online]. Available: https://ojs.trigunadharma.ac.id/index.php/jis/index

D. Aby Vonega, A. Fadila, and D. Ely Kurniawan, “Analisis Sentimen Twitter Terhadap Opini Publik Atas Isu Pencalonan Puan Maharani dalam Pilpres 2024,” 2022. [Online]. Available: http://jurnal.polibatam.ac.id/index.php/JAIC

Asno Azzawagama Firdaus, Anton Yudhana, and Imam Riadi, “Analisis Sentimen Pada Proyeksi Pemilihan Presiden 2024 Menggunakan Metode Support Vector Machine,” Decode: Jurnal Pendidikan Teknologi Informasi, vol. 3, no. 2, pp. 236–245, Jun. 2023, doi: 10.51454/decode.v3i2.172.

Y. Akbar and T. Sugiharto, “Analisis Sentimen Pengguna Twitter di Indonesia Terhadap ChatGPT Menggunakan Algoritma C4.5 dan Naïve Bayes (Yuma Akbar 1*, Tri Sugiharto 2 ) Analisis Sentimen Pengguna Twitter di Indonesia Terhadap ChatGPT Menggunakan Algoritma C4.5 dan Naïve Bayes,” Jurnal Sains dan Teknologi, vol. 5, no. 1, pp. 115–122, 2023, doi: 10.55338/saintek.v4i3.1368.

A. Robi Padri, “HCI dan Media Sosial: Studi Kasus Analisis Sentimen Pilpres 2024 di Twitter Menggunakan Naïve Bayes Classifier,” Jurnal SIMETRIS, vol. 14, no. 2, 2023.

Published
2024-06-26
How to Cite
Putri, G. R., Maulana, M. A., & Bahri, S. (2024). Perbandingan Algoritma Naïve Bayes dan TextBlob Untuk Mendapatkan Analisis Sentimen Masyarakat Pada Sosial Media. Teknika, 13(2), 213-218. https://doi.org/10.34148/teknika.v13i2.815
Section
Articles