Analysis of Sentiment of Moving a National Capital with Feature Selection Naive Bayes Algorithm and Support Vector Machine
| Main Authors: | Zamachsari, Faried, Gabriel Vangeran Saragih, Susafa'ati, Windu Gata |
|---|---|
| Format: | Article info application/pdf Journal |
| Bahasa: | eng |
| Terbitan: |
Ikatan Ahli Informatika Indonesia (IAII)
, 2020
|
| Subjects: | |
| Online Access: |
http://jurnal.iaii.or.id/index.php/RESTI/article/view/1942 http://jurnal.iaii.or.id/index.php/RESTI/article/view/1942/256 |
Daftar Isi:
- The decision to move Indonesia's capital city to East Kalimantan received mixed responses on social media. When the poverty rate is still high and the country's finances are difficult to be a factor in disapproval of the relocation of the national capital. Twitter as one of the popular social media, is used by the public to express these opinions. How is the tendency of community responses related to the move of the National Capital and how to do public opinion sentiment analysis related to the move of the National Capital with Feature Selection Naive Bayes Algorithm and Support Vector Machine to get the highest accuracy value is the goal in this study. Sentiment analysis data will take from public opinion using Indonesian from Twitter social media tweets in a crawling manner. Search words used are #IbuKotaBaru and #PindahIbuKota. The stages of the research consisted of collecting data through social media Twitter, polarity, preprocessing consisting of the process of transform case, cleansing, tokenizing, filtering and stemming. The use of feature selection to increase the accuracy value will then enter the ratio that has been determined to be used by data testing and training. The next step is the comparison between the Support Vector Machine and Naive Bayes methods to determine which method is more accurate. In the data period above it was found 24.26% positive sentiment 75.74% negative sentiment related to the move of a new capital city. Accuracy results using Rapid Miner software, the best accuracy value of Naive Bayes with Feature Selection is at a ratio of 9:1 with an accuracy of 88.24% while the best accuracy results Support Vector Machine with Feature Selection is at a ratio of 5:5 with an accuracy of 78.77%.
- Keputusan pemindahan ibu kota negara indonesia ke Kalimantan Timur mendapat tanggapan beragam pada media sosial. Disaat tingkat kemiskinan masih tinggi dan keuangan negara sedang sulit menjadi faktor ketidak setujuan pemindahan ibu kota negara. Pemerataan pembangunan dan kondisi dunia usaha yang semakin bergairah menjadi faktor yang mendukung pemindahan ibu kota negara. Twitter sebagai salah satu media sosial yang popular, digunakan masyarakat untuk mengungkapkan opini-opini tersebut. Bagaimana kecenderungan tanggapan masyarakat terkait pemindahan ibu kota negara serta bagaimana melakukan analisis sentimen opini masyarakat terkait pemindahan ibu kota negara dengan Feature Selection Algoritma Naive Bayes dan Support Vector Machine untuk mendapatkan nilai akurasi paling tinggi menjadi tujuan dalam penelitian ini. Data analisis sentimen akan mengambil dari opini masyarakat yang menggunakan bahasa Indonesia dari tweet media sosial Twitter secara crawling. Pencarian kata yang digunakan adalah #IbuKotaBaru dan #PindahIbuKota. Jumlah data yang diambil pada periode 23-April-2020 s.d 2-Mei-2020 mendapatkan hasil sebanyak 849 data tweet. Tahapan penelitian terdiri dari pengumpulan data melalui media sosial Twitter, polarity, preprocessing terdiri dari proses transform case, cleansing, tokenizing, filtering dan stemming. Penggunaan feature selection untuk meningkatkan nilai akurasi yang selanjutnya akan memasukan rasio yang telah ditentukan untuk digunakan oleh data testing dan training. Tahap selanjutnya, yaitu perbandingan antara algoritma Support Vector Machine dan Naive Bayes untuk menentukan algoritma mana yang lebih akurat. Dalam periode data diatas didapatkan 24,26% sentimen positif dan 75,74% sentimen negative terkait pemindahan ibu kota baru. Hasil akurasi dengan memakai perangkat lunak Rapid Miner nilai akurasi terbaik algoritma Naive Bayes dengan Feature Selection ada pada rasio 9:1 dengan hasil akurasi 88.24% sedangkan hasil akurasi terbaik algoritma Support Vector Machine dengan Feature Selection ada pada rasio 5:5 dengan hasil akurasi 78.77%.