Analisis Sentimen Aplikasi Gojek Pada Twitter Menggunakan Algoritma Naive Bayes
DOI:
https://doi.org/10.35473/jamastika.v3i2.3375Abstract
Media sosial telah menjadi platform penting bagi masyarakat untuk menyampaikan opini tentang produk dan layanan. Salah satu aplikasi yang populer di Indonesia adalah Gojek, yang banyak dibicarakan di Twitter. Penelitian ini bertujuan untuk menganalisis sentimen pengguna Twitter terhadap layanan Gojek menggunakan algoritma Naive Bayes. Tahapan penelitian meliputi pengumpulan data tweet, pelabelan data, praproses data, transformasi dengan TF-IDF, klasifikasi menggunakan Naive Bayes, evaluasi model, dan visualisasi hasil. Dalam penelitian ini, dibandingkan beberapa perbandingan pembagian data, yaitu 80:20, 75:25, 70:30, dan hasil menunjukkan bahwa persentase yang paling besar adalah 80:20, yang kemudian digunakan dalam penelitian ini. Hasil menunjukkan bahwa model Naive Bayes mampu mengklasifikasikan sentimen dengan akurasi 84,21%, presisi 86,67%, dan recall 92,86%. Penelitian ini bertujuan memberikan kontribusi akademis dalam bidang analisis sentimen dan pengolahan bahasa alami, serta memperkaya literatur terkait dengan studi kasus aplikasi layanan digital di Indonesia. Selain itu, penelitian ini membuka peluang untuk pengembangan lebih lanjut dengan algoritma lain dan analisis yang lebih mendalam.
References
Pak, A., & Paroubek, P. (2010). Twitter as a Corpus for Sentiment Analysis and Opinion Mining. Proceedings of LREC. 10. Diambil dari https://www.researchgate.net/publication/220746311_Twitter_as_a_Corpus_for_Sentiment_Analysis_and_Opinion_Mining
Al Haromainy, M. M., Prasetya, D. A., & Sari, A. P. (2023). Improving Performance of RNN-Based Models With Genetic Algorithm Optimization For Time Series Data. Diambil dari https://journal.undiknas.ac.id/index.php/tiers/article/view/4326
Medhat, W., Hassan, A., & Korashy, H. (2014). Sentiment analysis algorithms and applications: A survey. Diambil dari https://doi.org/10.1016/j.asej.2014.04.011
Kowsari, K., Meimandi, K. J., Heidarysafa, M., Mendu, S., Barnes, L., Brown, D., Id, L., & Barnes. (2019). Text Classification Algorithms: A Survey. Diambil dari http://dx.doi.org/10.3390/info10040150
Rani, S. & Kumar, P. (2017). A Sentiment Analysis System to Improve Teaching and Learning. Diambil dari http://dx.doi.org/10.1109/MC.2017.133
Sukardi, S. (2014). Metodologi Penelitian Pendidikan: Kompetensi dan Praktiknya. Bumi Aksara.
Hodge, V. J., & Austin, J. (2021). A Survey of Outlier Detection Methodologies. Artificial Intelligence Review. Diambil dari http://dx.doi.org/10.1023/B:AIRE.0000045502.10941.a9
Taneja, A. (2024). SENTIMENT ANALYSIS USING MACHINE LEARNING: A COMPREHENSIVE REVIEW. Diambil dari https://www.researchgate.net/publication/382182195_SENTIMENT_ANALYSIS_USING_MACHINE_LEARNING_A_COMPREHENSIVE_REVIEW
Alfarizi, M., Syafaah, L., & Lestandy, M. (2022). Emotional Text Classification Using TF-IDF (Term Frequency-Inverse Document Frequency) And LSTM (Long Short-Term Memory). Diambil dari http://dx.doi.org/10.30595/juita.v10i2.13262
Kuhn, M., & Johnson, K. (2019). Applied Predictive Modeling. Springer.
