Dengan semakin menurunnya kasus COVID-19 di Indonesia, pemerintah kembali menerapkan Pembelajaran Tatap Muka. Hal ini tentunya mendapatkan berbagai respon dari masyarakat, khususnya bagi Mahasiswa yang kembali melaksanakan Kuliah Offline pada Perguruan Tinggi. Oleh karena itu pada penelitian ini dilakukan pengambilan opini dari masyarakat pada media sosial twitter. Namun terdapat masalah dalam penyerapan tweet tersebut, sehingga sulit menghasilkan mana kata yang positif atau negatif. Maka dari itu dilakukan analisis sentimen untuk bisa mengklasifikasi berbagai komentar tersebut. Dalam penelitian kali ini menggunakan metode Naïve Bayes untuk mengklasifikasikan sebuah tweet kedalam kategori sentimen positif atau negatif dari pengguna serta memanfaatkan metode Social Network Analysis untuk seleksi fiturnya. Seleksi fitur merupakan proses penghapusan atribut yang kurang relevan pada topik penelitian, dengan cara menghitung dan merangking seluruh kata berdasarkan jumlah jaringan antar kata, kemudian akan di hapus kata yang nilainya kecil, sehingga akan menambah akurasi program. Data yang digunakan adalah tweet yang berjumlah 1.029 tweet, kemudian diproses melalui beberapa tahapan mulai dari preprocessing data, pembobotan TF-IDF, seleksi fitur, dan klasifikasi. Hasil evaluasi dari model klasifikasi Naïve Bayes Classifier dan seleksi fitur Social Network Analysis menggunakan K-Fold Cross Validation didapatkan hasil tertingginya pada k-2 dengan hasil akurasi sebesar 81%, precision 83% dan recall 80%.


Deskripsi Lain

With the decreasing number of COVID-19 cases in Indonesia, the government is re-implementing Face-to-Face Learning. This certainly gets various responses from the community, especially for students who are returning to carry out offline lectures at tertiary institutions. Therefore, in this study, opinion was taken from the public on Twitter social media. However, there are problems in absorbing the tweet, making it difficult to produce positive negative words. Therefore, a sentiment analysis was carried out to be able to classify the various comments. This research uses the Naïve Bayes method to classify a tweet into the category of positive negative sentiment from users and utilizes the Social Network Analysis method for feature selection. Feature selection is the process of removing attributes that are less relevant to the research topic, by calculating and ranking all words based on the number of networks between words, then removing words that are displayed small, so that it will increase program accuracy. The data used are tweets totaling 1,029 tweets, then processed through several stages starting from data preprocessing, TF-IDF weighting, feature selection, and classification. Evaluation results from the Naïve Bayes Classifier classification model and Social Network Analysis feature selection using K-Fold Cross Validation obtained the highest results at k-2 with an accuracy of 81%, precision 83% and recall 80%.

• Sistem Analisis Sentimen Produk Telkomsel dari Opini Twitter Berbahsa Indonesia Menggunakan Metode Naive Bayes Classifier
• RANCANG BANGUN E-DOCUMENT DI KANTOR PELAYANAN PERIJINAN TERPADU KABUPATEN BANGKALAN MENGGUNAKAN NAIVE BAYES CLASSIFIER
• “KLASIFIKASI PENDAPAT MASYARAKAT DUNIA MAYA TERHADAP PARTAI POLITIK DENGAN METODE EXPECTATION MAXIMIZATION” (Study Kasus : Jejaring Sosial Twitter)
• Sistem Pendukung Keputusan Penerimaan dan Pengalihan Beasiswa Bidikmisi Menggunakan Metode Naive Bayes Classifier dan Profile Matching
• APLIKASI PENDUKUNG KEPUTUSAN DIAGNOSIS PENYAKIT UMUM PADA BAYI MENGGUNAKAN METODE NAIVE BAYES CLASSIFIER BERBASIS ANDROID