Analisis Sentimen Pemilihan Presiden Indonesia Tahun 2019 Di Twitter Berdasarkan Geolocation Menggunakan Metode Naïve Bayesian Classification

Penulis

  • Wiranto Horsen Silitonga PT. Bank OCBC NISP
  • Jay Idoan Sihotang Fakultas Teknologi Informasi, Universitas Advent Indonesia

https://doi.org/10.36342/teika.v9i02.2199

Kata Kunci:

Analisa Sentimen, Pemilihan Presiden Indonesia, Jokowi, Prabowo, Geolocation, Datamining, Naïve Bayesian Classifier, Multinominal Naïve Bayes

Abstrak

Pemilihan Presiden Indonesia 2019 ramai diperbincangkan di dunia nyata maupun dunia maya, khususnya di media sosial Twitter. Semua orang bebas berpendapat tentang pasangan calon Presiden Indonesia 2019 tersebut. Sehingga memunculkan banyak opini, tidak hanya opini yang positif atau netral, ada pula opini negatif. Media sosial khususnya Twitter sekarang ini menjadi salah satu tempat promosi atau kampanye yang efektif dan efisien untuk menggait para pendukung. Dalam hal ini peneliti akan melakukan riset terhadap tokoh publik yang mencalonkan diri menjadi Presiden Indonesia. Metode penelitian yang digunakan dalam riset kali ini adalah algoritma klasifikasi Naïve Bayesian Classifer. Data yang digunakan adalah tweet berbahasa Indonesia dengan kata kunci Jokowi (#Jokowi2Periode) dan Prabowo (#PrabowoSandi) sebanyak 1009 data tweet selama 5 bulan dimulai dari 1 September 2019 sampai 31 Januar1 2019. Yang di mana data tweet tersebut diambil dari empat daerah terbesar di Indonesia, yaitu Jakarta, Bandung, Medan, dan Surabaya. Setiap data akan diambil secara manual menggunakan Geolocation API yang telah di sediakan oleh Twitter melalui Twitter search. Hasil dari klasifikasi menggunakan algoritma Naïve Bayesian Classifier didapat 839 tweet positif, 32 tweet negatif, dan 67 tweet netral dari 938 tweet keseluruhan, atau dalam bentuk persentase ada  90% merupakan sentimen positif, 3% sentimen negatif, dan 7% sentimen netral terhadap bapak Joko Widodo. Dan 56 tweet positif, 6 tweet negatif, dan 8 tweet netral dari 70 tweet keseluruhan, atau dalam bentuk persentase ada  80% merupakan sentimen positif, 9% sentimen negatif, dan 11% sentimen netral terhadap bapak Prabowo. Tingkat akurasi yang dihasilkan dari algoritma Naïve Bayesian Classifier sendiri terhadap penelitian ini sebesar 77,62%.

Article Metrics

Unduhan

Data unduhan belum tersedia.

Biografi Penulis

Jay Idoan Sihotang, Fakultas Teknologi Informasi, Universitas Advent Indonesia

Graduate Student, Sekolah Tinggi Elektro dan Informasi, Institut Teknologi Bandung

Referensi

G. A. Buntoro, A. E. Permanasari, and T. Bharata, “Sentimen Analysis Candidates of Indonesian Presiden 2014 with Five Class Attribute,” Int. J. Comput. Appl., vol. 136, pp. 23–29, 2016.

S. Mujilahwati, “Pre-Processing Text Mining Pada Data Twitter,” Semin. Nas. Teknol. Inf. Dan Komun. 2016, pp. 49–56, 2016.

A. F. Hidayatullah and A. Azhari, “Analisis Sentimen dan Klasifikasi Kategori terhadap Tokoh Publik pada Twitter,” Semin. Nas. Inform. 2014, pp. 115–122, 2014.

R. McCue, A Comparison of the Accuracy of Support Vector Machine and Naı̈ve Bayes Algorithms In Spam Classification. Santa Cruz: University of California, 2009.

I. Sunni and D. H. Widyantoro, “Analisis Sentimen dan Ekstraksi Topik Penentu Sentimen pada Opini Terhadap Tokoh Publik,” J. Sarj. Inst. Teknol. Bdg. Bid. Tek. Elektro Dan Inform., vol. 1, no. 2, pp. 200–206, Jul. 2012.

J. Ling, T. B. Oka, and I. P. E. N. Kencana, “ANALISIS SENTIMEN MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER DENGAN SELEKSI FITUR CHI SQUARE,” E-J. Mat., vol. 3, pp. 92–99, Aug. 2014.

R. A. Simanjuntak, D. Gunawan, and Amalia, “Analisis Sentimen pada Layanan Gojek Indonesia Menggunakan Multinomial Naive Bayes,” Universitas Sumatera Utara, Sumatera, Indonesia, 2018.

##submission.downloads##

Diterbitkan

2019-10-31

Cara Mengutip

Silitonga, W. H., & Sihotang, J. I. (2019). Analisis Sentimen Pemilihan Presiden Indonesia Tahun 2019 Di Twitter Berdasarkan Geolocation Menggunakan Metode Naïve Bayesian Classification. TeIKa, 9(2), 115-127. https://doi.org/10.36342/teika.v9i02.2199

Terbitan

Bagian

Datamining