Implementasi Algoritma Naive Bayes Gaussian untuk Analisis Sentimen Komentar Channel Video Pelayanan Pemerintah di Youtube
| Main Author: | Cahya Hafifah Suhengki, Gemma |
|---|---|
| Format: | Thesis NonPeerReviewed application/pdf |
| Bahasa: | eng |
| Terbitan: |
, 2020
|
| Subjects: | |
| Online Access: |
http://kc.umn.ac.id/14939/1/HALAMAN_AWAL.pdf http://kc.umn.ac.id/14939/2/DAFTAR_PUSTAKA.pdf http://kc.umn.ac.id/14939/3/BAB_I.pdf http://kc.umn.ac.id/14939/4/BAB_II.pdf http://kc.umn.ac.id/14939/5/BAB_III.pdf http://kc.umn.ac.id/14939/6/BAB_IV.pdf http://kc.umn.ac.id/14939/7/BAB_V.pdf http://kc.umn.ac.id/14939/8/LAMPIRAN.pdf http://kc.umn.ac.id/14939/ |
Daftar Isi:
- Perkembangan teknologi informasi dan komunikasi telah memberikan dampak yang sangat signifikan terutama dalam pelayanan publik, salah satunya adalah media sosial. Pemerintah memanfaatkan media sosial untuk membangun sistem pemerintahan yang terbuka dan transparan dengan menampung aspirasi masyarakat. Salah satu media sosial yang digunakan oleh pemerintah ialah Youtube. Komentar yang diterima dalam video channel Pemerintah merupakan salah satu bentuk keterlibatan masyarakat terhadap Pemerintahan. Komentar dengan bahasa sehari-hari akan sulit untuk diklasifikasi sifatnya oleh mesin. Untuk itu, dibuatlah sistem yang dapat melakukan analisis sentimen. Penelitian ini melakukan pembahasan mengenai penerapan dari salah satu algoritma Naà ̄ve Bayes yaitu Gaussian Naà ̄ve Baye. Penelitian ini menggunakan dataset berupa ulasan dari pengguna kepada video channel Youtube pemerintah yang bernama KemenPUPR. Pada penerapannya, dataset akan diklasifikasi menjadi tiga kategori yaitu positif, netral dan negatif dengan metode Ngram dan Term Frequency-Inverese Document Frequency (TF-IDF) sebagai metode untuk mengubah teks berupa bahasa seharihari menjadi vektor representasi. Kemudian, komentar tersebut akan diproses menggunakan algoritma Gaussian Naà ̄ve Bayes. Hasil dari pengujian yang paling ideal diperoleh nilai akurasi sebesar 73% dengan nilai precision dan recall pada label positif sebesar 77% dan 91%, pada label negatif sebesar 48% dan 45%, dan pada label netral sebesar 74% dan 40% dengan F1-Score sebesar 60%.