A PENERAPAN METODE NAÏVE BAYES DAN COSINE SIMILARITY DALAM ANALISIS SENTIMEN TERHADAP PLATFORM FILM ILEGAL DI MEDIA SOSIAL X (Twiter)
APPLICATION OF NAÏVE BAYES AND COSINE SIMILARITY METHODS IN SENTIMENT ANALYSIS TOWARD ILLEGAL FILM PLATFORMS ON SOCIAL MEDIA X (Twiter)
Abstract
Indonesia termasuk salah satu negara dengan pengguna platform streaming ilegal terbanyak di dunia, menurut survei Asia Video Industry Association's, Coallition Againts Piracy (CAP) mengungkap bahwa 63% warga Indonesia yang menggunakan streaming online, lebih suka menonton dari platform streaming ilegal secara gratis dengan berbagai macam, konsekuensi disisi lain tindakan menonton secara ilegal termasuk tindakan melanggar hukum karena tidak memiliki izin siar, dimana hal ini dapat menimbulkan berbagai macam jenis komentar ataupun tanggapan dari netizen terhadap maraknya platform streaming ilegal ini, komentar ataupun tanggapan dari netizen dapat berjenis sentimen positif dan negatif. Komentar
berupa sentimen ini dapat muncul dari berbagai media, salah satunya media sosial twitter, dimana media ini merupakan salah satu tempat yang berguna untuk menyerukan pendapat,tanggapan ataupun reaksi sentimen. enelitian ini dilakukan untuk mengetahui komentar, tanggapan netizen terhadap platform situs streaming ilegal yang akan diklasifikasikan kedalam sentimen positif dan negatif dengan Algoritma Naïve Bayes Classification dengan bantuan metode Cosine Similiarity. Berdasarkan presentase sentiment atau tanggapan pengguna dimedia social x terhadap platform film illegal cenderung negative. Hal tersebut dapat dilihat dari hasilklasifikasi naïve bayes classifier dengan sentiment negatif sebesar 82,6%. Serta tingkat akurasi pengujian dengan menggunakan confusion matrix menghasilkan akurasi sebesar 68% positif dan 100% negatif. Sementara itu hasil klasifikasi menggunakan metode cosine similarity berdasarkan kategori yang paling sering dibicarakan untuk platform film illegal sebesar 65,4% , kategori harga sebesar 5,2%, kategori aksesibilitas sebesar 9,5%, kategori legalitas sebesar 19% dan keamanan sebesar 0,9%.
References
Anshari, I. N. (2019). Sirkulasi Film dan Program Televisi di Era Digital: Studi Kasus Praktik Download dan Streaming melalui Situs Bajakan. Komuniti : Jurnal Komunikasi Dan Teknologi Informasi, 10(2), 88–102. https://doi.org/10.23917/komuniti.v10i2.7125
Azhar. (2019). Analisis Kinerja Algoritma Naïve Bayes dan K-Nearest Neighbor pada Sentimen Analisis dengan pendekatan Lexicon di Media Twitter. Universitas Islam Negeri Syarif Hidayatullah.
Damuri, A., Riyanto, U., Rusdianto, H., & Aminudin, M. (2021). Implementasi Data Mining dengan Algoritma Naïve Bayes Untuk Klasifikasi Kelayakan Penerima Bantuan Sembako. Jurnal Riset Komputer, 8(6), 219–225. https://doi.org/10.30865/jurikom.v8i6.3655
Darwis, D., Siskawati, N., & Abidin, Z. (2021). Penerapan Algoritma Naive Bayes Untuk Analisis Sentimen Review Data Twitter Bmkg Nasional. Jurnal Tekno Kompak, 15(1), 131. https://doi.org/10.33365/jtk.v15i1.744
Fath, M. K. Al. (2018). Analisis Sentimen Komentar Kebijakan Full Day School dari Facebook Page Kemendikbud RI Menggunakan Algoritma Naïve Bayes Classifier. Universitas Islam Negeri Syarif Hidayatullah.
Firmansyah, Z., & Puspitasari, N. F. (2021). Analisis Sentimen Masyarakat Terhadap Vaksinasi Covid-19 Berdasarkan Opini Pada Twitter Menggunakan Algoritma Naive Bayes. Jurnal Teknik Informatika, 14(2), 171–178. https://doi.org/10.15408/jti.v14i2.24024
Handayani, E. T., & Sulistiyawati, A. (2021). Analisis Sentimen Respon Masyarakat terhadap Kabar Harian Covid-19 pada Twitter Kementerian Kesehatan dengan Metode Klasifikasi Naive Bayes. Jurnal Teknologi Dan Sistem Informasi (JTSI), 2(3), 32–37. https://doi.org/10.33365/jtsi.v2i3.906
Handoko, W. T., Supriyanto, E., Purwadi, D. I., Budiarso, Z., & Listiyono, H. (2022). Klasifikasi Opini Pengguna Media Sosial Twitter Terhadap JNT Di Indonesia dengan Algoritma Decision Tree. Jurnal Sains Komputer & Informatika (J-SAKTI), 6(2), 790–799.
Herdhianto, A. (2020). Sentiment Analysis Menggunakan Naïve Bayes Classifier (NBC) Pada Tweet Tentang Zakat.
Karima, A. (2022). PREDIKSI KINERJA MAHASISWA DALAM PERKULIAHAN DARING BERBASIS LEARNING MANAGEMENT SYSTEM (LMS) MENGGUNAKAN ALGORITMA NAÏVE BAYES. UNIVERSITAS MUHAMMADIYAH KALIMANTAN TIMUR.
Kominfo. (2022). Kominfo : Pengguna Internet di Indonesia 63 Juta Orang. https://www.kominfo.go.id/index.php/content/detail/3415/Kominfo+:+Pengguna+Internet+di+Indonesia+63+Juta+Orang/0/berita_satker
Mahardika, Y. S., & Zuliarso, E. (2018). Analisis Sentimen Terhadap Pemerintahan Joko Widodo Pada Media Sosial Twitter Menggunakan Algoritma Naives Bayes. Prosiding SINTAK 2018, 2015, 409–413.
Patro, R. (2021). Cross-Validation: K Fold vs Monte Carlo. Medium. https://towardsdatascience.com/cross-validation-k-fold-vs-monte-carlo-e54df2fc179b
Sari, D. N., Sari, D. N., Adelia, F., Rosdiana, F., Butar, B. B., & Hariyanto, M. (2020). Analisa Sentimen Terhadap Review Produk Kecantikan Menggunakan Metode Naive Bayes Classifier. JIKA (Jurnal Informatika), 4(3), 109. https://doi.org/10.31000/jika.v4i3.3086
Sari, F. V., & Wibowo, A. (2019). Analisis Sentimen Pelanggan Toko Online Jd.Id Menggunakan Metode Naïve Bayes Classifier Berbasis Konversi Ikon Emosi. Jurnal SIMETRIS, 10(2), 681–686.
Susanti, N. A., & Walid, M. (2022). Klasifikasi Data Tweet Ujaran Kebencian Di Media Sosial. 6(2), 538–543.
Suyanto, D. (2019). Data Mining untuk Klasifikasi dan Klasterisasi Data (Revisi). Informatika Bandung.
Wibowo, J. S., Semarang, U. S., Semarang, K., & Tengah, J. (2023). PENERAPAN ALGORITMA NAÏVE BAYES CLASSIFICATION UNTUK KLASIFIKASI SENTIMENT TWEET TERHADAP PLATFORM STREAMING ILEGAL. 2, 225–233.
Yutika, C. H., Adiwijaya, A., & Faraby, S. Al. (2021). Analisis Sentimen Berbasis Aspek pada Review Female Daily Menggunakan TF-IDF dan Naïve Bayes. Jurnal Media Informatika Budidarma, 5(2), 422. https://doi.org/10.30865/mib.v5i2.2845
Zhafira, D. F., Rahayudi, B., & Indriati, I. (2021). Analisis Sentimen Kebijakan Kampus Merdeka Menggunakan Naive Bayes dan Pembobotan TF-IDF Berdasarkan Komentar pada Youtube. Jurnal Sistem Informasi, Teknologi Informasi, Dan Edukasi Sistem Informasi, 2(1), 55–63. https://doi.org/10.25126/justsi.v2i1.24
