Klasifikasi Opini Masyarakat Terhadap Pertanian di Indonesia dengan Naive Bayes pada Twitter
Abstract
Pertanian di Indonesia dalam beberapa tahun terakhir menjadi sebuah perbincangan yang sangat penting. Sektor pertanian Indonesia mengalami pertumbuhan yang sangat signifikan sampai mencapai di angka 2.56% pada tahun 2017. Dengan angka yang disebutkan tadi membuat pemerintah Indonesia mengeluarkan target yang sangat tinggi. Target tersebut adalah menjadikan Indonesia sebagai lumbung pangan dunia pada tahun 2045. Agar tercapainya target tersebut perlu adanya perluasan bisnis, salah satunya adalah melalui media sosial. Dalam perluasan bisnis dengan media sosial membuat masyarakat banyak mengeluarkan pendapat, pernyataan, maupun tanggapan tentang target yang telah ditetapkan oleh pemerintah. Prediksi dalam mencapai hasil dari target pemerintah dapat dilakukan dengan menganalisa opini masyarakat atau biasanya disebut dengan sentimen analisa yang dapat dicurahkan dalam teks yang dituliskan oleh penggiat sosial media. Metode penelitian yang digunakan oleh peneliti terdiri dari beberapa tahap, yaitu: pengambilan data pada twitter dengan memanfaatkan fasilitas API Twitter, membuat metode analisis sentimen (pre-processing, case folding, tokenizing dan stop removal) menggunakan tools orange dan metode analisis menggunakan metode Naïve Bayes. Data yang digunakan adalah sebanyak 391 dengan masing-masing kaegori. Metode Naive Bayes pada penelitian ini menghasilkan akurasi dengan rata-rata 0.523% pada seluruh kategori, untuk Precision menghasilkan rata-rata 0,865% diseluruh kategori dan untuk Recall sendiri mendapatkan persentase 0,701 % dari keseluruhan kategori opini masyarakat di twitter. Dengan tingkat akurasi tersebut dapat disimpulkan metode Naïve Bayes berjalan sesuai dengan harapan.References
B. P. Statistik., www.bps.go.id., 5-2-2018.[Online]. Available: https://www.bps.go.id/pressrelease/2018/02/05/1519/ekonomi-indonesia-triwulan-iv-2017--tumbuh-5-19-persen.html. [Accessed 10 8 2018].
A. W. F. Aisyah., www.goodnewsfromindonesia.id., 03-10-2017. [Online]. Available: https://www.goodnewsfromindonesia.id/2017/10/03/tahun-2045-wujudkan-indonesia-menjadi-lumbung-pangan-dunia. [Accessed 10 08 2018].
M. Rani and A. J, Twitter Data Predicting Geolocation Using Data Mining Techniques, International Journal of Innovative Research in Computer, vol. 4, no. 6, p. 10446, 2016.
A. Saleh, Implementasi Metode Klasifikasi Naïve Bayes Dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga, Creative Information Technology Journal , vol. 2, no. 3, pp. 207-2017, 2015.
S. Ting, A. H. Tsang and W. H. Ip, Is Naïve Bayes a Good Classifier for Document Classification?, International Journal of Software Engineering and its Applications, vol. 5, no. 3, p. 398, 2011.
S. Budi, Text Mining Untuk Analisis Sentimen Review Film Menggunakan Algoritma K-Means, Techno.COM, vol. 16, no. 1, pp. 1-8, 2017.
R. Feldam and J. Sanger, The Text Mining Handbook, New York: Cambridge University Press, 2007.
M. S. Kini, Devi, D. P.G and N. Chiplunkar, "Text mining Approach to Classify Technical Research Document using Naïve Bayes," International Journal of Advanced Research in Computer and Communication Engineering, vol. 4, no. 7, pp. 386-391, 2015.
A. Valdivia, M. V. Luzón and F. Herrera, "Sentiment analysis in tripadvisor," IEEE Intelligent Systems, vol. 4, no. 72-77, p. 32, 2017.
R. F. Clayton, J. J. Kopecky, D. S. Chou and A. J. Llorens, "Coarse-and Fine-Grained Sentiment Analysis of Social Media Text," Johns Hopkins Apl Technical Digest,vol. 30, no. 1, p. 50, 2011.
G. A, H. L and B. R, "Twitter sentiment analysis," CS224N - Final Project Report, 2009.
Orange, https://orange.biolab.si/, Orange, [Online]. Available: https://orange.biolab.si/#Orange-Features. [Accessed 20 Agustus 2018].
H. J, M. Kamber and J. Pei, "Data Mining Concept and Techniques3rd," Elsivier Inc, USA.
I. Ahmed, D. Guan and T. Chung, SMS Classification Based on Naïve Bayes Classifier and Apriori Algorithm Frequent Itemset, International Journal of Machine Learning and Computing , vol. 4, no. 2, pp. 183-187, 2014.
E. Yulian, Text Mining dengan K-Means Clustering pada Tema LGBT dalam Arsip Tweet Masyarakat Kota Bandung, JURNAL MATEMATIKA “MANTIK†, vol. 4, no. 1, pp. 53-58, 2018.
Srihari. [Online]. Available: https://cedar.buffalo.edu/~srihari/CSE626/Lecture-Slides/. [Accessed 11 08 2018].
F. Febrianti, M. Hafiyusholeh and A. Asyhar, "Perbandingan Pengklusteran Data Iris Menggunakan Metode K-Means dan Fuzzy C-Means," Jurnal Matematika MANTIK, vol. 2, no. 1, pp. 7-13, 2016.
A. P. Putra, "www.medium.com," 18 2 2018. [Online]. Available: https://medium.com/@mandes95/belajar-data-science-langkah-awal-mengenal-r-dan-rstudio-198ec2246f78. [Accessed 10 08 2018].
P. A. Putri, . A. Ridok and I. , "Implementasi Metode Improved K-Nearest Neighbor pada Analisis Sentimen Twitter Berbahasa Indonesia," Repositori Jurnal Mahasiswa PTIIK UB, vol. 2, no. 2, 2013.
