Analisis Sentimen Gojek Indonesia Pada Twitter Menggunakan Algoritme Naïve Bayes Dan Support Vector Machine
Abstract
Transportation is an important element in everyday life and serves as a means of connecting between places. Online motorcycle taxi services such as Gojek have penetrated all regions, enabling users to order transportation services such as motorcycle taxis, taxis and cars online through applications. With the large number of content tweeted by Twitter users related to the use of the Gojek application, therefore sentiment analysis is needed to determine user perceptions of a topic or event. This study aims to analyze people's responses to online transportation through data collected from tweets. The data is then classified into two sentiment classes, namely positive and negative. The classification results using the Naive Bayes algorithm show an accuracy of 91%, while the use of the SVM (Support Vector Machine) algorithm produces a higher accuracy, which is equal to 99%. This indicates that the SVM algorithm is more effective in producing higher classification accuracy than the Naive Bayes algorithm.
Keywords: Sentiment analysis; Online transportation; Naive bayes; Support Vector Machine
Abstrak
Transportasi merupakan elemen penting dalam kehidupan sehari-hari dan berfungsi sebagai sarana untuk menghubungkan antar tempat. Layanan ojek online seperti Gojek telah merambah di seluruh wilayah, memungkinkan pengguna untuk memesan layanan transportasi seperti ojek, taksi, dan mobil secara online melalui aplikasi. Dengan banyaknya isi tweet pengguna twitter terkait dengan penggunaan aplikasi Gojek, oleh karena itu diperlukan analisis sentimen untuk mengetahui persepsi pengguna terhadap suatu topik atau peristiwa. Penelitian ini bertujuan untuk melakukan analisis respons masyarakat terhadap transportasi online melalui data yang terkumpul dari tweet. Data tersebut kemudian diklasifikasikan ke dalam dua kelas sentimen yaitu positif dan negatif. Hasil klasifikasi menggunakan algoritme Naive Bayes menunjukkan akurasi sebesar 91%, sedangkan penggunaan algoritme SVM (Support Vector Machine) menghasilkan akurasi yang lebih tinggi, yaitu sebesar 99%. Hal ini mengindikasikan bahwa algoritme SVM lebih efektif dalam menghasilkan akurasi klasifikasi yang lebih tinggi dibandingkan dengan algoritme Naive Bayes.
Kata kunci: Analisis sentimen; Transportasi online; Naive bayes; Support Vector Machine
References
B. M. Pintoko and K. M. L., “Analisis Sentimen Jasa Transportasi Online pada Twitter Menggunakan Metode Naive Bayes Classifier,” e-Proceeding Eng., vol. 5, no. 3, pp. 8121–8130, 2018.
M. Dwijayanti, F. Noor Hasan, and R. Zein Adam, “Analisis Sentimen Pada Ulasan Pelanggan Menggunakan Metode Naïve Bayes Classifier (Studi Kasus: Grab Indonesia),” Pros. Semin. Nas. Teknoka, vol. 6, no. January, pp. 93–99, 2022, doi: 10.22236/teknoka.v6i1.441.
A. H. T. Siregar, Amril Mutoi, “Aplikasi Linier Regresi Dengan Algoritme Jaringan Syaraf Tiruan Untuk Sentimen Analisis,” Techno Xplore: Jurnal Ilmu Komputer dan Teknologi Informasi (2015, vol. 5, no. 3, pp. 248–253, 2020.
A. Agustian, “Penerapan Analisis Sentimen Dan Naive Bayes,” Jurnal Tekno Kompak vol. 7, no. 3, pp. 243–249, 2022.
L. Luthfanida, “Analisis Sentimen Data Twitter Menggunakan Metode Naive Bayes Dan Support Vector Machine (SVM) Tentang Presiden Jokowi 3 Periode,” Djtechno J. Teknol. Inf., vol. 3, no. 1, pp. 5–11, 2022, doi: 10.46576/djtechno.v3i1.2143.
A. Turmudi Zy, A. Nugroho, A. Rivaldi, and I. Afriantoro, “Analisis Sentimen Terhadap Pembobolan Data pada Twitter dengan Algoritme Naive Bayes,” J. Teknol. Inform. dan Komput., vol. 8, no. 2, pp. 202–213, 2022, doi: 10.37012/jtik.v8i2.1240.
E. Dwianto and M. Sadikin, “Analisis Sentimen Transportasi Online pada Twitter Menggunakan Metode Klasifikasi Naïve Bayes dan Support Vector Machine,” Format J. Ilm. Tek. Inform., vol. 10, no. 1, p. 94, 2021, doi: 10.22441/format.2021.v10.i1.009.
R. Wahyudi and G. Kusumawardana, “Analisis Sentimen pada Aplikasi Grab di Google Play Store Menggunakan Support Vector Machine,” J. Inform., vol. 8, no. 2, pp. 200–207, 2021, doi: 10.31294/ji.v8i2.9681.
K. A. Rokhman, B. Berlilana, and P. Arsi, “Perbandingan Metode Support Vector Machine Dan Decision Tree Untuk Analisis Sentimen Review Komentar Pada Aplikasi Transportasi Online,” J. Inf. Syst. Manag., vol. 3, no. 1, pp. 1–7, 2021, doi: 10.24076/joism.2021v3i1.341.
A. M. Siregar, “Perbandingan Pembobotan Kata Dalam Sistem Temu Balik Informasi,” Techno Xplore J. Ilmu Komput. dan Teknol. Inf., vol. 2, no. 2, pp. 1–9, 2018, doi: 10.36805/technoxplore.v2i2.302.
A. S. Rahayu and A. Fauzi, “Komparasi Algoritme Naïve Bayes Dan Support Vector Machine ( SVM ) Pada Analisis Sentimen Spotify,” JSON, vol. 4, pp. 349–354, 2022, doi: 10.30865/json.v4i2.5398.
M. I. Petiwi, A. Triayudi, and I. D. Sholihati, “Analisis Sentimen Gofood Berdasarkan Twitter Menggunakan Metode Naïve Bayes dan Support Vector Machine,” J. Media Inform. Budidarma, vol. 6, no. 1, p. 542, 2022, doi: 10.30865/mib.v6i1.3530.
V. W. D. Thomas and F. Rumaisa, “Analisis Sentimen Ulasan Hotel Bahasa Indonesia Menggunakan Support Vector Machine dan TF-IDF,” J. Media Inform. Budidarma, vol. 6, no. 3, p. 1767, 2022, doi: 10.30865/mib.v6i3.4218.
A. Perdana, A. Hermawan, and D. Avianto, “Analisis Sentimen Terhadap Isu Penundaan Pemilu di Twitter Menggunakan Naive Bayes Clasifier,” J. Sisfokom (Sistem Inf. dan Komputer), vol. 11, no. 2, pp. 195–200, 2022, doi: 10.32736/sisfokom.v11i2.1412.
M. Rani, D. Prawira, and N. Mutiah, “Analisis Sentimen Terhadap Vaksin COVID-19 Menggunakan Naive Bayes Classifier, Support Vector Machine dan K-Nearest Neighbors,” CESS, vol. 8, no. January, pp. 1–11, 2023.
How To Cite This :
Refbacks
- There are currently no refbacks.
