KLASIFIKASI SENTIMEN PADA TWITTER DENGAN NAIVE BAYES CLASSIFIER

Abstract

Klasifikasi sentimen merupakan salah satu cabang dari Text mining. Klasifikasi sentimen dapat menjadi sesuatu yang penting dalam proses evaluasi terhadap sebuah topik permasalahan. Tujuan utama dari klasifikasi sentimen adalah untuk mencari tahu polaritas dari sentimen positif, negatif dan netral. Klasifikasi sentimen salah satunya dapat diperoleh melalui tweet yang ada pada Twitter. Dalam tulisan ini, tweet yang berhubungan dengan kata kunci yang dicari dihimpun dengan menggunakan tools yaitu API Twitter. Data yang didapat dari proses penghimpunan akan diolah dengan menggunakan Natural Language Toolkit yang berjalan diatas bahasa pemrograman Python. Data selanjutnya akan dilakukan klasifikasi sentimen dengan menggunakan Naive Bayes untuk melihat sentimen yang dihasilkan. Dari proses klasifikasi yang telah dilakukan akan diukur tingkat akurasi. Dari hasil uji coba sebanyak 3 kali, didapatkan tingkat akurasi pada percobaan pertama 64.95%, kedua 66.36% dan ketiga 66.79% Hasil lain yang didapatkan dari proses klasifikasi yaitu Sentimen positif  28% sentimen negatif 20% dan sentimen netral 52%. Berdasarkan hasil persentase kelas sentimen, sentimen neutral merupakan sentimen yang paling banyak apabila dikaitkan dengan topik Presiden Joko Widodo dan Pemerintahannya.

Keywords

Sentiment classification, Opinion Mining, Naive Bayes Classifier, NLTK, Twitter Sentiment

Full Text:

PDF (Bahasa Indonesia)

References

Twitter. 2017. About Twitter. Twitter. [Online] September 28, 2017. https://about.twitter.com/.

NLTK Project. 2017. www.nltk.org. www.nltk.org. [Online] November 02, 2017. http://www.nltk.org/.

Manning, Christopher and Schuetze, Hinrich. 1999.

Foundations of Statistical Natural Language Processing. London : MIT Press, 1999.

Pozzi, Federico Alberto, et al. 2017. Sentiment Analysis in Social Networks. Cambridge : Todd Green, 2017.

Kuhlman, Dave. 2015. A Python Book: Beginning Python, Advanced Python and Python Exercises. s.l.: MIT, 2015.

Rapid Miner. 2014. Operator Refence Manual. Boston: Rapid Miner Inc., 2014.

http://dx.doi.org/10.28989/angkasa.v10i1.218

Article Metrics

Abstract view: 3483 times
Download     : 2572   times

This work is licensed under a Creative Commons Attribution 4.0 International License.

Refbacks

• There are currently no refbacks.