1. Home
  2. Vol 4, No 1 (2020)
  3. Prasetya

ANALISIS SENTIMEN PADA CHANNEL AUTONETMAGZ TERHADAP REVIEW MOBIL ALMAZ 2019 DENGAN METODE NAIVE BAYES CLASSIFIER DAN LEXICON BASED

Heru Prasetya, Ghulam Asrofi Buntoro, Dyah Mustikasari

Abstract


Mobil Almaz merupakan salah satu produk dari perusahaan mobil Wuling. Mobil wuling mengalami peningkatan penjualan yang besar selama 7 bulan terakhir di Indonesia. Wuling mampu bersaing penjualan terbanyak nomor 9 dari 20 produsen meskipun baru 2 tahun produk Wuling berada di Indonesia. Meskipun penjualannya mengalami peningkatan, tidak semua masyarakat indonesia berkomentar positif bahkan negatif bahkan netral. Masyarakat kini bisa melihat video dari media sosial yang paling umum digunakan yaitu Youtube tentang pembahasan kendaraan mobil Wuling Almaz. Dalam konten video vlogger, pengguna dapat memberikan sebuah feedback melalui komentar berupa opini yang menguatkan positif ataupun opini yang sangat melemahkan negatif atau bahkan netral berupa pertanyaan. Dari berbagai ragam komentar di channel Youtube Autonetmagz diperlukan teknik untuk membagi ke dalam kelas opini positif, netral maupun negatif. Penelitian ini menggunakan prepocessing dan melabeli opini kedalam 3 kelas sentimen yaitu kelas positif, netral dan negatif dengan metode lexicon Based. Sedangkan untuk klasifikasinya menggunakan metode Naive Bayes Classifer. Data yang digunakan berupa komentar tentang ulasan Wuling almaz dari channel Youtube Autonetmagz yang berjumlah 1000. Hasil dari pelabelan dengan Lexicon Based berjumlah 232 untuk positif, untuk netral berjumlah 456 dan negatif berjumlah 312. Sedangkan klasifikasi metode Naive Bayes Classifier menghasilkan akurasi 66,5%, presisi 60,94% dan recall 61,2%.

Keywords


Analisis Sentimen, Youtube Autonetmagz, Wuling Almaz, Lexicon Based, Naive Bayes Classifier

References


Buntoro, G. A. (2017). Analisis Sentimen Calon Gubernur DKI Jakarta 2017 Di Twitter. Integer Journal Maret, 1(1), 32–41.

ling, j., n. kencana, i. p. e., & oka, T. B. (2014). Analisis Sentimen Menggunakan Metode Naïve Bayes Classifier Dengan Seleksi Fitur Chi Square. E-Jurnal Matematika, 3(3), 92.

Nafan, M. Z., Amalia, A. E., Industri, T., Informatika, P., Teknologi, I., & Purwokerto, T. (2019). Kecenderungan Tanggapan Masyarakat terhadap Ekonomi Indonesia berbasis Lexicon Based Sentiment Analysis. 3(4), 268–273.

Nur, J., Rohman, A., & Husna, J. (2015). Situs youtube sebagai media pemenuhan kebutuhan informasi : Sebuah survei terhadap mahasiswa program studi ilmu perpustakaan universitas Diponegoro.

Iskandar, Suprapto, (2014) Algoritma, A., & Naïve, C. D. A. N.Perbandingan akurasi klasifikasi tingkat kemiskinan . (xxx), 1–8.

https://www.academia.edu/26318128/preprocessing_text_untuk_meminimalisir_kata_yang_tidak_berarti_dalam_proses_text_mining

https://github.com/masdevid/ID-OpinionWords.

https://github.com/riochr17/Analisis-sentimen-ID/tree/master/kamus.

https://medium.com/@mandes95/belajar-data-science-langkah-awal-mengenal-r-dan-rstudio-198ec2246f78

https://medium.com/@mandes95/belajar-data-sciene-memahami-layout-rstudio-d3d46f9f955c.


Full Text: PDF

DOI: 10.24269/jkt.v4i1.358

Refbacks

  • There are currently no refbacks.