Search

Media sosial Twitter adalah platform yang populer di Indonesia untuk berkomunikasi dan mendapatkan informasi dengan cepat. Hal ini memungkinkan masyarakat dengan mudah mengungkapkan opini dan sentimen mereka. Penelitian ini berfokus pada perbandingan algoritma TextBlob dan Naïve Bayes dalam menganalisis sentimen masyarakat. Temuan menunjukkan bahwa TextBlob mengklasifikasikan sebagian besar tweet sebagai positif, sementara Naïve Bayes menunjukkan kecenderungan yang serupa dengan akurasi sebesar 78,18%. Dari analisis TextBlob, sekitar 50,98% komentar menunjukkan sentimen positif, 16,01% negatif, dan 33,33% netral. Dengan menggunakan kedua algoritma ini, penelitian berhasil mengidentifikasi sentimen masyarakat dengan akurasi yang baik, menunjukkan distribusi yang jelas antara sentimen positif, netral, dan negatif.

Successful product development requires an understanding of customer needs and preferences. Sentiment analysis has emerged as a tool capable of gathering customer opinions to enhance product development. This research aims to explore sentiment analysis from product reviews on YouTube for new product development. By analyzing usergenerated content, this study seeks to generate insights in the form of product feature priorities. The research methodology involves collecting and preprocessing product review data from the YouTube platform, employing text processing techniques such as case folding, removal of irrelevant words, tokenization, and stemming. Sentiment analysis is conducted using the Support Vector Machine (SVM) method to classify sentiments expressed in the reviews. The trained model is then employed to predict and label sentiments in new product reviews. Findings of this study indicate that sentiment analysis can aid the new product development process by highlighting feature priorities that require attention. This approach enables companies to comprehend customer needs and make informed decisions in focusing on feature enhancements for subsequent releases. Integrating sentiment analysis into the new product development process can leverage consumer opinions to launch improved products. [ABSTRACT FROM AUTHOR]

Copyright of Techno.com is the property of Universitas Dian Nuswantoro, Fakultas Ilmu Komputer and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

The development of technology is very significant in various fields, especially in the field of digital technology. Sentiment analysis of feminism issues on Twitter tends to be significant in understanding public opinion, especially Twitter users. Being a place for people to vent, Twitter spreads the message of those who tweet to a wide audience and it often happens that a tweet becomes an influence on public opinion. Twitter can be a tool to find out public sentiment towards a figure, group, and organization. Feminism is a movement to voice the rights of a human being to be equal regardless of gender. In this study, a Convolutional Neural Network (CNN) approach is used to analyze sentiment towards the issue of feminism on Twitter. The data collected from Twitter contains a variety of conversations, opinions, and views on feminism. By building and training a CNN model that is able to process text data and classify sentiment based on each tweet. By applying the CNN model, it aims to identify sentiment patterns towards Twitter users on the issue of feminism, especially the topics of domestic violence and sexual harassment. Where these two topics will be discussed in this research. Another goal is to provide valuable insights for researchers, activists, and policy makers in understanding the dynamics of public opinion on the issue of domestic violence and sexual harassment. The results of this sentiment analysis are expected to make a significant contribution to supporting discussions on social issues on social media

The difference in societal perspective regarding personal well-being and understanding life choices is genuinely diverse. Lately, there is a prevalent thought where individuals believe that personal well-being can be achieved by choosing to live without children. Most of them prefer to prioritize their careers, education, or other activities that they believe can bring greater happiness and well-being to their lives. This topic has become a frequently discussed subject in almost every region of Indonesia, especially in urban areas. Not only facing negative stigma, the choice to live a life without children in Indonesia also carries positive connotations. Views on child-free in Indonesia are highly diverse, considering the many differences in social environments and each individual’s personal experiences. In this research, the Naïve Bayes algorithm is used as a sentiment classifier in the form of textual data collected through Twitter using the Rapid Miner. The data collection period spanned from May 3rd to May 10th, 2023. The research aims to analyze and present data regarding public sentiment towards the child-free phenomenon in Indonesia. The results of this research reveal the presence of 320 positive sentiments and 180 negative sentiments, with the accuracy value of the Naïve Bayes algorithm in conducting sentiment analysis on the child-free phenomenon reached 95.00%.

Copyright of Jurnal Ekonomi Manajemen Sistem Informasi (JEMSI) is the property of Dinasti Publisher and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

The war that took place in Europe between Russia and Ukraine had a direct or indirect impact on all parts of the world, including Indonesia. Many people gave their opinion on the incident, whether it was in the form of praise or complaints published on social media, one of which was Twitter. This study aims to process or extract public responses on Twitter media to become information using sentiment analysis. Sentiment analysis using the classification algorithm Support Vector Machine (SVM), Multinomial Naive Bayes (MNB), and K-Nearest Neigbhor (KKN). Based on sentiment analysis, it illustrates that the response of the Indonesian public on Twitter users on February 24, 2022 about the events of the Russia-Ukraine war was dominated by tweets with negative sentiments (50.1%), then neutral (30.5%), and positive (19.3%). The highest performance results from the machine learning model were obtained on the SVM algorithm model with an accuracy of 90%, followed by MNB (71%), and KKN (48%). Many Indonesian people associate the events of [ABSTRACT FROM AUTHOR]

Motor XYZ mengeluarkan inovasi rangka motor yang diperkenalkan pada tahun 2019. Sekitar Agustus 2023, beredar rumor di media sosial yang menyatakan bahwa rangka tersebut mengalami karat, korosi, dan retak, menyebabkan kekhawatiran di kalangan masyarakat yang tentunya hal ini berpotensi merugikan reputasi merek XYZ. Sasaran utama dari studi ini adalah mengevaluasi pandangan masyarakat di platform Twitter pada Motor XYZ, khususnya pada perbincangan seputar isu rangka motor. Data yang digunakan merupakan data yang diambil teknik crawling dengan periode tweets dari Agustus hingga November 2023. Penelitian ini akan memanfaatkan analisis sentimen menggunakan word cloud, analisis tren dan distribusi, dan pembandingan lima algoritma machine learning, yakni Naïve Bayes, Decision Tree, Support Vector Machine, Logistic Regression, dan Random Forest. Penelitian ini bertujuan untuk mengidentifikasi algoritma dengan performa terbaik untuk mengategorikan tweets dan memberikan rekomendasi kepada Motor XYZ terkait reputasi merek dalam hubungannya dengan isu rangka motor. Hasil penelitian menunjukkan bahwa model klasifikasi sentimen dengan kinerja terbaik setelah hyperparameter tuning adalah Random Forest, dengan F1 score sebesar 0,765. Selain itu, rekomendasi yang dapat diberikan adalah meningkatkan kesadaran tentang pemeriksaan rangka gratis karena telah terbukti berdampak positif pada sentimen masyarakat di Twitter. Perlu ditekankan bahwa dalam penelitian ini tidak ada pertimbangan terhadap proses deployment model machine learning dan pembuatan dashboard. Selain itu, penelitian ini tidak menangani analisis reputasi atau sentimen merek di platform media sosial lain seperti TikTok atau Instagram. Abstract Motor XYZ introduced an innovative motorcycle frame in 2019. In August 2023, rumors began circulating on social media that these frames were experiencing rust, corrosion, and cracks. This caused public concern and potentially harmed the XYZ brand's reputation. This study aims to evaluate public opinion on Twitter regarding the motorcycle frame issue. Data was collected using crawling techniques from tweets posted between August and November 2023. We used sentiment analysis with word clouds, trend and distribution analysis, and compared five machine learning algorithms: Naïve Bayes, Decision Tree, Support Vector Machine, Logistic Regression, and Random Forest. The goal was to identify the best algorithm for categorizing tweets and provide recommendations to Motor XYZ about their brand reputation concerning the frame issue. Results showed that the Random Forest model, after hyperparameter tuning, had the best performance with an F1 score of 0.765. This study recommend increasing awareness about free frame inspections, as this positively impacted public sentiment on Twitter. Note that this study does not include the deployment process of the machine learning model or dashboard creation, nor does it address brand reputation or sentiment analysis on other social media platforms such as TikTok or Instagram.

Tranportasi merupakan hal yang penting bagi masyarakat dalam mobilitas sehari-hari. Karena memiliki peranan penting dan dapat memudahkan kehidupan masyarakat, pemerintah mulai mengoptimalkan pembangunan sarana transportasi dan memulai inovasi digital, salah satunya pada moda transportasi laut. Perseroan Terbatas Angkutan Sungai, Danau, dan Penyeberangan Indonesia (PT ASDP) meluncurkan aplikasi Ferizy pada Google Playstore. Dalam inovasi ini, sentimen masyarakat dapat membantu untuk mengetahui kepuasan, kekurangan, saran, dan kritik. Terkait hal tersebut maka diperlukan analisis sentimen untuk memahami maksud ulasan. Analisis ini mengekstrak data ulasan lalu mengolah data tekstual secara otomatis untuk mendapatkan makna sentimen yang terkandung dalam ulasan. Penelitian ini mengimplementasikan klasifikasi Long Short-Term Memory (LSTM) dan ekstraksi fitur Word2Vec variasi skip-gram serta CBOW pada dataset ulasan aplikasi Ferizy. Hasil pengujian dari model menghasilkan nilai akurasi sebesar 88,20% untuk variasi skip-gram dan 74,20% untuk variasi CBOW.

Copyright of Techno.com is the property of Universitas Dian Nuswantoro, Fakultas Ilmu Komputer and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

Copyright of Techno.com is the property of Universitas Dian Nuswantoro, Fakultas Ilmu Komputer and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

Systematic literature review ini bertujuan untuk mengetahui tren penelitian analisis sentimen berbasis deep learning antara tahun 2020-2023. Fokus kajiannya adalah pada pemahaman tentang pemodelan yang digunakan oleh banyak peneliti, juga nilai akurasi dari masing-masing klasifikasi tersebut. Pertanyaan utama dalam SLR ini yaitu teknik analisis sentimen berbasis deep learning apa yang memberikan akurasi tertinggi. Peneliti menemukan 400 artikel terindeks Scopus dengan menggunakan Publish or Perish 8. Selanjutnya, penyaringan jurnal dan pencarian kluster menggunakan aplikasi Microsoft Excel, Zotero, Mendeley, dan VOS Viewer yang menghasilkan 105 artikel terpilih untuk dianalisis secara deskriptif. Berdasarkan hasil temuan metode yang populer digunakan dalam melakukan analisis sentimen berbasis deep learning dalam jangka waktu yang telah ditentukan adalah metode LSTM dan CNN, baik dilakukan satu metode maupun keduanya. Adapun akurasi tertinggi mencapai 99% dengan rata-rata 89% menggunakan metode LSTM. Pengetahuan ini dapat digunakan untuk mengusulkan model analisis sentimen berbasis deep learning yang memberikan akurasi tertinggi.

Evaluasi reaksi atau evaluasi kepuasan merupakan bentuk evaluasi paling umum digunakan dalam pelatihan karena kemudahan dan sifatnya yang lekat dengan pelatihan. Meskipun mengandung wawasan yang dapat bernilai dalam peningkatan kualitas penyelenggaraan pelatihan, namun penelitian terkait reaksi peserta masih sangat terbatas. Penelitian ini bertujuan melakukan analisis sentiment terhadap evaluasi reaksi peserta e-learning menggunakan algoritma Naïve Bayes, Support Vector Machine dan Deep Learning. Reaksi peserta berupa komentar diklasifikasikan ke dalam kategori apresiasi, saran dan kritik. Hasil penelitian menunjukkan model Naïve Bayes memiliki kinerja yang lebih baik dibandingkan SVM dan Deep Learning dalam prediksi sentimen komentar peserta dengan tingkat akurasi, presisi dan recall masing-masing sebesar 82,54%, 68,08% dan 69,81%. Prediksi sentiment reaksi peserta menggunakan model Naïve Bayes diperoleh hasil 70% berupa apresiasi, 16% berupa saran dan 14% merupakan kritik. Penelitian ini memberikan kontribusi praktis analisis evaluasi reaksi pelatihan dan menambah literatur implementasi text mining pada domain human resource analytics.

Sentiment analysis serves as a valuable tool for capturing consumer opinions and broader public sentiment. Product reviews posted on e-commerce platforms significantly influence product sales. The objective of this research is to perform sentiment analysis on e-commerce product reviews utilizing Naïve Bayes, Support Vector Machine (SVM), and Recurrent Neural Network (RNN) algorithms. The study encompasses data selection, preprocessing, transformation, data mining, and evaluation/interpretation as crucial stages. Moreover, addressing the issue of imbalanced data, particularly the disparity between positive and negative sentiments, is achieved through the application of oversampling techniques utilizing the SMOTE library. This research aims to enhance the understanding of sentiment analysis, its significance in comprehending consumer opinions, and its role in improving product purchase decisions. The sentiment analysis of e-commerce product reviews was conducted using Naïve Bayes, SVM, and RNN algorithms. The opinions were classified as positive, negative, or neutral. Notably, there is a distinction in the data distribution between positive and negative sentiments (imbalanced data), which necessitates distinct treatment within the models. The findings revealed an accuracy of 86% for Naïve Bayes, 88% for SVM, and 96% for RNN with an epoch of 10

Peran rumah sakit dalam kehidupan masyarakat sangatlah penting terkait tingkat kepuasan Masyarakat terhadap pelayanan, fasilitas, dan aspek lainnya. Opini dan penilaian masyarakat turut menjadi penilaian terhadap kinerja pelayanan rumah sakit. Pada Google Maps Reviews banyak ulasan dari berbagai rumah sakit.Penilaian yang sangat besar dapat kita lihat pada Google Maps Reviews akan memakan waktu bagi masyarakat. Keluhan-keluhan Masyarakat disekitar penulis terhadap pelayanan rumah sakit di Malang menjadikan penilaian pelayanan rumah sakit di Malang menjadi objek dari penelitian dasar ini. Penulis memanfaatkan algoritma Naïve Bayes Classifier dan Cross Validation untuk mengkategorikan penilaian berdasarkan sentimen positif dan negatif serta aspek agar mempermudah pengkategorian. Aspek yang dipergunakan tersebut adalah aspek penanganan, fasilitas, administrasi, dan biaya. Penulis juga menggunakan analisis Root Cause untuk mempermudah masyarakat dan pihak terkait dalam menemukan masalah dan rekomendasi pemecahan masalah. Awalnya data di proses dengan text preprocessing lalu pembobotan kata TF-IDF, pelabelan data, penerapan algoritma Naïve Bayes Classifier dan mengambil sentimen negatif untuk menentukan Root Cause. Hasil pengujian dengan menggunakan Cross Validation dengan fold k-9 memiliki nilai accuracy 82,97% , precision sebesar 83,13%, recall 82,93%, dan f-measure sebesar 82,92%. Hasil uji dengan menggunakan 20% data tes diperoleh akurasi 90%. Abstract The role of hospitals in society is crucial in terms of the level of satisfaction that the community derives from their services, facilities, and other aspects. Public opinions and assessments also contribute to evaluating hospital service performance. On Google Maps Reviews, there are numerous reviews from various hospitals. A significant evaluation can be observed on Google Maps Reviews, which might take time for the community. The complaints of the community around the writer regarding the hospital services in Malang make the assessment of hospital services in Malang the subject of this basic research. The author utilizes the Naive Bayes Classifier algorithm and Cross Validation to categorize assessments based on positive and negative sentiments, as well as 4 aspects to facilitate categorization. The author also employs Root Cause analysis to aid the public and relevant parties in identifying issues and providing problem-solving recommendations. After processing the data through text preprocessing and TF-IDF word weighting, data labeling, applying the Naive Bayes Classifier algorithm, and extracting negative sentiments to determine the Root Cause in negative hospital sentiments. Based on this process, applying Cross Validation with k-9 folds yields the highest values: an accuracy of 82.97%, precision of 83.13%, recall of 82.93%, and an f-measure of 82.92%. Through the sentiment classification and Cross Validation process, the accuracy results in 90% for hospital reviews with the highest number of assessments divided into 2 sentiments and 4 aspects: positive and negative sentiments, as well as treatment, facilities, administration, and costs.

Copyright of Jurnal Ekonomi Syariah Teori dan Terapan is the property of Universitas Airlangga and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

Copyright of Techno.com is the property of Universitas Dian Nuswantoro, Fakultas Ilmu Komputer and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

Copyright of Teknika: Jurnal Sains dan Teknologi is the property of Teknika: Jurnal Sains dan Teknologi, Universitas Sultan Ageng Titayasa and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

Copyright of Techno.com is the property of Universitas Dian Nuswantoro, Fakultas Ilmu Komputer and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

Copyright of Jurnal Riset Akuntansi dan Bisnis Airlangga (JRABA) is the property of Universitas Airlangga and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

On 15 September 2020, the UAE normalized relations with Israel, which sparked controversy on Twitter with the #AbrahamAccords. By using Digital Movement Opinion (DMO) and the concept of sentiment analysis, this study aims to determine the sentiment of public opinion that develops on Twitter media related to the normalization of this relationship. This study used a qualitative approach through the use of text mining methods using Natural language Toolkit (NLTK) as a platform in Python to analyze 490 tweets with #AbrahamAccords. The results of the study showed that the sentiment of public opinion that developed on social media Twitter was a positive sentiment with 75% of the 490 tweets. It also showed that views on the relationship between the UAE and Israel on social media Twitter via #AbrahamAccords tend to support this normalization. Some factors that influenced the positive sentiment were the role of the mass media and political actors. Pada 15 September 2020, UEA melakukan normalisasi hubungan dengan Israel yang yang mengundang kontroversi di Twitter dengan #AbrahamAccords. Dengan menggunakan Digital Movement Opinion (DMO) dan konsep sentiment analisis, penelitian ini bertujuan untuk mengetahui sentimen dari opini publik yang berkembang pada media Twitter terkait dengan normalisasi hubungan tersebut. Penelitian ini menggunakan metode kualitatif melalui pemakaian metode teks mining dengan menggunakan Natural language Toolkit (NLTK) sebagai platform di Python guna menganalisis 490 tweets dengan #AbrahamAccords. Hasil penelitian menunjukkan bahwa sentimen dari opini publik yang berkembang di media sosial Twitter adalah sentimen positif dengan 75% dari 490 tweet yang di peroleh. Hal ini menunjukkan bahwa pandangan terhadap hubungan UEA dengan Israel pada media sosial Twitter melalui #AbrahamAccords cenderung mendukung adanya normalisasi tersebut. Beberapa faktor yang mempengaruhi sentiment positif yang terjadi ialah peran media massa dan aktor politik.

Analisis sentimen kebijakan pembelajaran tatap muka selama pandemi dapat dianalisis menggunakan data dari tweet di platform media Twitter. Dari hasil crawling data diperoleh 152 data, selanjutnya dilakukan proses pre-processing untuk memberikan data dari simbol, dan link serta mengubah kata menjadi bobot kata yang dapat dipahami dengan menggunakan teknik TF-IDF. Hasil pembobotan kata ini dianalisis pada kelas positif dan negatif, label positif terkumpul 96 dan negatif 16. Polaritas kelas hasil dari 108 data yang diketahui masyarakat memberikan respon positif terhadap kebijakan pemerintah untuk melakukan pembelajaran tatap muka. Pengujian model Support Vector Machine (SVM) dan Naive Bayes (NB) dari 108 data diperoleh hasil akurasi SVM sebesar 88,09% dan NB 75,92% pada penelitian ini SVM lebih baik dari NB.

Kementerian Komunikasi dan Informatika (Kominfo) membuat aturan baru, yaitu untuk setiap platform, aplikasi, dan web yang termasuk ke dalam Penyelenggara Sistem Elektronik (PSE) wajib untuk mendaftarkan diri kepada Kominfo menghindari pemblokiran. Pada tanggal 30 juli 2022 memblokir beberapa situs yaitu origin, paypal, steam dan lain-lain menjadi perbicangan di media sosial twitter menggunakan #BlokirKominfo untuk mengungkapkan berbagai opini dan keluh kesahnya. Pengumpulan data tweet tanggal 16 juli 2022- 06 Agustus 2022, data tweet diambil sebanyak 1500 data dengan tweet berbahasa Indonesia. Penelitian ini menggunakan metode klasifikasi Naïve Bayes. Naive Bayes Merupakan salah satu algoritma machine learning yang penggunaannya mudah serta pemrosesannya memiliki waktu yang cepat dan mudah diimplementasikan. Berdasarkan hasil penelitian yang telah dilakukan menggunakan data tweet PSE menunjukan bahwa sentimen dari data tweet tersebut cenderung negatif, tweet yang mengandung sentimen negatif ada sebanyak 606 data, tweet sentimen positif ada 378 data dan sentimen netral sebanyak 213 data. Proses klasifikasi pada penelitian ini menggunakan 20% data testing dan 80% data training. Pengujian menggunakan confusion matrixakurasi sebesar 63%, precision 80%, recall 46% dan F-score 44%.

Dalam mewujudkan kebijakan Sistem Pemerintahan Berbasis Elektronik (SPBE) dan Satu Data ASN di Indonesia, Badan Kepegawaian Negara (BKN) sebagai instansi pemerintah pembina Aparatur Sipil Negara (ASN) perlu melakukan pengelolaan data secara akurat, terkini, dan terintegrasi melalui aplikasi MySAPK berbasis Android. Seiring berjalannya waktu, pengguna mengalami berbagai kendala dalam menggunakan aplikasi dan menuliskan ulasannya pada fitur Rating & Review di Google Play Store. Dalam rentang waktu 9 Mei 2017 hingga 18 Oktober 2021, terdapat 4.778 ulasan yang dituliskan oleh pengguna. Makalah ini menganalisis sentimen pada ulasan pengguna aplikasi MySAPK. Tahapan-tahapan yang dilakukan dimulai dari pengumpulan data, pelabelan data (anotasi), prapemrosesan data, ekstraksi fitur kata, pemodelan klasifikasi, evaluasi pemodelan, analisis sentimen, hingga penyusunan hasil rekomendasi. Dari hasil pemodelan klasifikasi sentimen menggunakan naïve Bayes dan support vector machine (SVM), didapatkan tingkat akurasi masing-masing sebesar 92,47% dan 94,14%. Hasil pengukuran sentimen menunjukkan bahwa pengguna memberikan ulasan bersentimen positif sebanyak 2.118 (44,3%) dan ulasan bersentimen negatif sebanyak 2.660 (55,7%). Di antara faktor penyebab pengguna menuliskan ulasan bersentimen positif adalah aplikasi yang sangat bagus, dapat memberikan manfaat, mempermudah dalam mengisi dan menyimpan data ASN, serta ucapan terima kasih kepada BKN. Sebaliknya, faktor penyebab pengguna menuliskan ulasan bersentimen negatif di antaranya adalah meminta tolong agar aplikasi diperbaiki, kesulitan dalam mengakses, gagal dalam mengisi dan melakukan pemutakhiran data, serta terjadi kesalahan pada server. Untuk mengatasi kendala tersebut, makalah ini merekomendasikan agar kapasitas server pendukung dapat ditingkatkan dan pemutakhiran versi terbaru diluncurkan untuk memperbaiki bug aplikasi. Hasil penelitian ini diharapkan dapat menjadi acuan BKN dalam mengevaluasi dan meningkatkan kualitas pelayanan ASN melalui aplikasi MySAPK.

Copyright of Techno.com is the property of Universitas Dian Nuswantoro, Fakultas Ilmu Komputer and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

The rampant use of the social network twitter among modern society is currently very popular. Twitter brings a new trend in society as a place to carry out acts of oppression online or better known as cyberbullying. Twitter users can easily cyberbully other twitter users, users can post cruel posts or upload photos related to other individuals with the aim of intimidating and damaging someone's good name. Cyberbullying is easy to find on Korean Wave/Hallyu fans because the biggest activity of K-Pop fans is on the internet. K-Pop has a lot of fans not only in South Korea, but also all over the world, including in Indonesia, especially among teenagers. Focusing on the problem of understanding and preventing Cyberbullying in adolescent K-Pop fans aims to explain and analyze the importance of K-Pop fans who are dominated by teenagers, gaining an understanding of Cyberbullying both as perpetrators and victims. In this study aims to classify sentiments on Tweet comments based on negative, positive, neutral classes and also to find out the trends that exist among adolescents in actions against bullying on social media. The results of this study show that in the social network twitter, cyberbullying behavior occurs due to the motivations that exist in the informant, such as sociogenicist motives and affective motives. Researchers used the Naive bayes method to classify sentiment cyberbullying on twitter social media. [ABSTRACT FROM AUTHOR]

Copyright of Techno.com is the property of Universitas Dian Nuswantoro, Fakultas Ilmu Komputer and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

Copyright of Techno.com is the property of Universitas Dian Nuswantoro, Fakultas Ilmu Komputer and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

Salah satu media sosial yang berkembang adalah Twitter. Media sosial Twitter mempermudah masyarakat untuk bebas berpendapat melalui cuitan atau biasa disebut dengan tweets. Netizen dengan bebas menyampaikan opini pribadinya untuk topik apapun, termasuk persepsi terhadap tokoh publik. Artikel ini menyajikan hasil penelitian dan analisis sentimen masyarakat (netizen) terhadap tokoh publik, Nadiem Makariem sebagai Menteri Kementerian Pendidikan dan Kebudayaan baru. Penelitian ini menggunakan teknik data mining yang bertujuan untuk membandingkan hasil klasifikasi dari opini masyarakat yang dituliskan di Twitter. Dataset yang digunakan berasal dari tweets dengan kata kunci ”nadiem makariem”, ”kemendikbud” dan ”pak nadiem”. Tools RapidMiner digunakan untuk membantu tahap pre-processing dan klasifikasi menggunakan dua metode yaitu, Naive Bayes dan Support Vector Machine dengan evaluasi k-fold cross-validation. Dari hasil ujicoba diketahui bahwa untuk kasus yang diteliti, metode Naive Bayes menghasilkan kinerja yang lebih baik dengan accuracy 91.48%, precision 89.28% dan recall 91.58%.

To reduce the crowds during the COVID-19 pandemic, the Bogor City Government implemented an odd-even system for all vehicles in the city of Bogor at the end of the operation. Since the implementation of this policy, many opinions have been conveyed through social media. An analysis is needed to find out how effective the policy is based on public opinion. For this reason, an analysis of the sentiment application of the odd-even system for vehicles in the city of Bogor was carried out during the pandemic. The purpose of this study is to determine the accuracy, recall, and precision and calculate the amount of emotion obtained from sentiment analysis by using several algorithms for the application and application of selection features that can provide sentiment information related to the effectiveness of the software system in Bogor City. The research stages started from the selection of data, pre-processing, implementation, validation, and evaluation. Based on this research, it can be found that the Support Vector Machine algorithm with the application of Particle Swarm Optimization shows the results of the greatest assessment on the system sentiment analysis test in the city of Bogor during the pandemic with a value of 73.07%. In total, the sentiment of implementing the odd-even system to declare in Bogor City shows an expression of the joy of 45.45%.

Copyright of Jurnal Ilmu Komputer dan Agri-Informatika is the property of IPB University and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

President Joko Widodo decided to move the capital city of the country outside Java. The relocation of the capital city is contained in the 2020-2024 National Medium-Term Development Plan. Community response to this has been mixed through national television and social media, especially Twitter. The tendency of Twitter users to respond to the government discourse can be seen with sentiment analysis. Sentiment analysis is one of the areas of Natural Language Processing (NLP) that builds systems for recognizing and extracting opinions. In this study, the Feature Selection PSO algorithm in the classification of the SVM model is proposed to improve the resulting accuracy in the sentiment analysis of moving capital cities. Experiments on the data of 1,319 tweets (457 positive sentiments and 862 negative sentiments) indicate an increase in accuracy by 2.09% from 79.06% to 81.15%, with the classification category is “Good Classification”.

Copyright of Techno.com is the property of Universitas Dian Nuswantoro, Fakultas Ilmu Komputer and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

Perkembangan internet yang semakin pesat membuat banyak orang mengakses internet untuk mendapatkan berbagai macam informasi, salah satunya dalam mencari informasi ulasan hotel. Ulasan tersebut biasanya akan dijadikan sebagai acuan dan sangat berpengaruh bagi calon pengunjung dalam menentukan hotel mana yang terbaik untuk mereka kunjungi ketika bepergian ke luar kota. Maka dari itu dapat dilakukan analisis sentimen untuk mengklasifikasikan ulasan tersebut apakah bersifat positif atau negatif. Proses klasifikasi sentimen menggunakan metode Support Vector Machine dan pembobotan kata menggunakan bantuan metode Term Frequency-Inverse Document Frequency. Data yang digunakan didapatkan dengan melakukan crawling pada situs Tripadvisor dengan menggunakan library scrapy pada python. Berdasarkan hasil pengujian, Tingkat akurasi yang didapatkan sebesar 88%, nilai precission sebesar 98%, nilai recall sebesar 88%, dan nilai F1 Score sebesar 83%.

Copyright of Jurnal Ilmu Komputer dan Agri-Informatika is the property of IPB University and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

Ulasan produk di marketplace merupakan informasi yang berharga apabila diolah dengan baik. Penjual dapat melakukan analisis ulasan produk untuk mendapat informasi yang dapat digunakan dalam evaluasi produk dan layanan. Kegiatan analisis ulasan produk tidak cukup dengan melihat jumlah bintang, diperlukan melihat seluruh isi komentar ulasan untuk dapat mengetahui maksud dari ulasan. Apabila dalam jumlah sedikit dapat dilakukan secara manual, namun dalam jumlah banyak lebih efektif menggunakan sistem. Dibutuhkan sistem yang mampu menganalisis banyak ulasan dengan efektif agar memudahkan dalam memahami maksud ulasan. Penelitian ini menggunakan algoritma KNN dan TF-IDF dengan pendekatan NLP untuk mengklasifikasikan ulasan produk “hijab instan” ke dalam 2 kelas (positif dan negatif). Klasifikasi menggunakan pendekatan NLP mendapat akurasi sebesar 76,92%, presisi 80,00% dan recall 74,07%, sedangkan tanpa NLP hanya mendapat akurasi sebesar 69,23%, presisi 80,00% dan recall 64,52%. Kata yang sering muncul pada ulasan dapat menggambarkan penilaian pembeli secara umum pada produk. Pada ulasan positif menunjukkan pembeli puas terhadap kualitas, kecepatan pengiriman dan harga barang, sedangkan pada ulasan negatif pembeli kecewa pada warna, dan jumlah barang yang dikirim tidak sama dengan yang dipesan.

Twitter selain sebagai media sosial untuk berinteraksi dengan teman di dunia maya ternyata juga bisa menjadi suatu media untuk melakukan penelitian. Banyak peneliti menjadikan twitter sebagai wadah untuk melakukan penelitian baik berupa Social Network Analysis ataupun Analisis Sentimen. Dompet elektronik merupakan salah satu hasil perkembangan teknologi bidang transaksi online. Kompleksitas kegiatan masyarakat membuat mereka mencari suatu media pembayaran yang cepat dan aman. Perekembangan Dompet Elektronik di Indonesia bisa dibilang sangat pesat, karena semakin banyaknya masyarakat yang menggunakan dompet elektronik seperti Dana, OVO dan Go-Pay. Banyaknya tawaran keuntungan menjadi nilai lebih bagi masyarakat untuk menggunakan Dompet Elektronik tersebut. Penelitian ini bertujuan untuk menganalisa tanggapan masyarakat atas hadirnya berbagai aplikasi dompet elektronik di Indonesia dengan mengklasifikasikannya kedalam tiga kelas yakni positif, negatif dan netral dengan menggunakan metode Naïve Bayes dan menggunakan perangkat lunak Rapidminer untuk menganalisisa suatu sentiment ataupun sejenisnya dengan melewati suatu proses preprocessing. Data diperoleh secara langsung dari situs microblogging Twitter dengan hashtag pencarian #GoPay, #OVO dan #DANA, dari data tersebut, diambil 100 data dengan rincian 70 data latih dan 30 data uji. Hasil dari penelitian ini menunjukkan bahwa analisis sentimen pada dompet elektronik GoPay lebih banyak dinilai positif oleh pengguna twitter yaitu sebesar 46,67% diikuti oleh Dana sebesar 37,50% dan OVO sebesar 16,67%. Dompet elektronik OVO memiliki nilai negatif yang lebih tinggi yaitu sebesar 63,33% diikuti oleh GoPay sebesar 53,33% dan Dana sebesar 30,00%. Penelitian ini memberikan bukti empiris dan merekomendasikan kepada masyarakat untuk lebih menggunakan GoPay kegiatan jual beli dikehidupan sehari-hari.

Terdapat fenomena transportasi online dengan masalah seperti kriminalitas dan penipuan di Indonesia yang memicu pro dan kontra pada pengguna Twitter. Makalah ini bertujuan mengetahui sentimen masyarakat terhadap transportasi online dan membandingkan akurasi SVM dan SVM-PSO dengan nilai parameter default. Solusi yang diusulkan adalah membagi dataset ke dalam data training dan testing, karena beberapa penelitian mengenai optimasi hanya menggunakan satu dataset yang sudah diklasifikasikan. Data penelitian adalah data tweet dengan metode scraping menggunakan Octoparse. Total 1.852 data tweet dari 1/1/2019 hingga 15/10/2019 yang dibagi menjadi data testing 1.130 tweet dan training 722 tweet serta RapidMiner digunakan untuk proses analisis. Analisis sentimen positif menggunakan SVM adalah sebesar 62% dan sentimen negatif sebesar 38%, sedangkan pada SVM-PSO, opini positif sebesar 53% dan negatif 47%. Hasil penelitian menggunakan 10 k-fold CV menghasilkan akurasi pada SVM sebesar 95,46% dan AUC 0,979 (excellent classification), sedangkan pada SVM-PSO sebesar 96,04% dan AUC 0,993 (excellent classification). Hasil menunjukkan bahwa penggunaan data training dan testing dapat dilakukan dan terbukti bahwa SVM-PSO lebih baik daripada SVM biasa, meskipun menggunakan nilai parameter default.

Penggunaan mobile banking meningkat seiring dengan kemajuan teknologi. Hampir setiap bank di Indonesia memiliki layanan mobile banking, termasuk BNI. Menurut survei dari Top Brand Award, BNI Mobile Banking menurun menjadi nomor 4 pada tahun 2016 dan 2017. Artinya terdapat relasi yang kuat antara ulasan pemakai aplikasi terhadap kinerja aplikasi. Dengan demikian membawa akibat pada pentingnya mempertahankan kualitas layanan serta kemampuan untuk bersaing dengan bank lain. Beberapa penelitian analisis sentimen sebelumnya belum melihat ketersediaan apakah dataset sudah dieksplorasi keseimbangannya atau tidak untuk meningkatkan performa model yang dipilih. Oleh karena itu, dalam artikel ini mencoba melakukan analisis sentimen pada ulasan pengguna aplikasi BNI Mobile Banking di Google Play sebanyak 6954 data terpilih dengan label positif dan negatif dan menggunakan 7 metode dasar sebagai baseline untuk dipilih satu yang mempunyai performa terbaik yitu Support Vector Classifier, setelah dilakukan resampling dataset dengan Repeated Edited Nearest Neighbours dan hyperparameter model C=1, degree=2 kernel poly didapatkan akurasi sebesar 98.54% pada data training dan akurasi 100% pada data uji. Selanjutnya dari 26 data mentah baru dilakukan eksperimen dan menghasilkan prediksi benar sebesar 19 sementara 7 salah dengan error rate sebesar 27%.

Komentar di Instagram sangat berharga, informatif dan sangat membantu. Bagi penjual komentar adalah fitur yang menunjukkan respons pengguna Instagram terhadap produk yang ditawarkan, dan melalui fitur komentar penjual dapat menemukan pelanggan yang potensial. Manfaat tersebut diperoleh apabila penjual melakukan analisis pada komentar di toko Instagram-nya. Sangat dimungkinkan untuk menganalisis secara manual apabila data komentar pada tokonya berjumlah sedikit namun apabila komentar yang dimiliki banyak maka akan lebih cepat apabila menggunakan sistem. Banyaknya spam dapat mengganggu informasi yang ada pada komentar, sehingga tidak menjamin banyaknya komentar pada sebuah posting-an maka banyak pula yang ingin membeli produk tersebut. Oleh karena itu dibutuhkan sistem yang bisa memfilter komentar agar penjual dapat menemukan pelanggan yang tepat untuk produknya. Penelitian ini menggunakan algoritma TF-IDF untuk mengklasifikasikan komentar ke dalam 2 kelas (potensial dan tidak potensial) dan memperoleh akurasi sebesar 80%, presisi 0,76 dan recall 0,94. Berdasarkan hasil penelitian pada 294 komentar, 27% di antaranya adalah komentar tidak potensial. Kata yang menunjukkan minat beli seseorang adalah “berapa”, ”kak”, ”ada”, dan ”tidak”, sedangkan kata dominan pada komentar tidak potensial adalah kata “mention” yang menunjukkan aktivitas mention.

Pada tahun 2019 Indonesia akan mengadakan pesta demokrasi pemilihan kepala negara Indonesia. Setiap tokoh politik yang dicalonkan menjadi kepala negara akan mempertimbangkan popularitas mereka berdasarkan opini masyarakat. Sejak diumumkan nama calon Presiden Indonesia 2019 oleh Komisi Pemilihan Umum(KPU) nama-nama tersebut mulai banyak diperbincangkan, terutama di media sosial salah satunya adalah twitter. Terdapat berbagai opini pengguna twitter yang bersentimen negatif positif dan netral. Namun untuk menentukan sentimen dari pengguna twitter membutuhkan usaha dan waktu yang cukup banyak dikarenakan banyaknya jumlah tweet yang digunakan. Dibutuhkan pembelajaran mesin yang dengan cepat dalam pengklasisifikasian tweet tersebut dalam kelas negatif, positif dan netral. Naive Bayes Classifier adalah metode klasifikasi text yang memiliki kecepatan pemrosesan dan akurasi yang cukup tinggi apabila diterapkan pada data yang banyak, besar, dan beragam. Sebelum data tweet diklasifikasikan, data tersebut harus melalui beberapa proses, seperti prepocessing, pembobotan kata dan pemecahan data. Tujuan dari penelitian ini adalah mengetahui bagimana penerapan metode Naive Bayes pada sentimen pengguna twiter di 2 kelas (negatif, positif) dan 3 kelas (negatif, positif, netral). Hasil dari penelitian ini diperoleh bahwa dilakukan pengujian 3 kelas dan 2 kelas untuk setiap pasangan calon (paslon). Pada pengujian 3 kelas paslon 01 dan paslon 02 didapat hasil akurasi berturut-turut sebagai berikut 64,6% dan 58%. Sedangkan pada pengujian 2 kelas paslon 01 dan paslon 02 didapat hasil akurasi berturut-turut sebagai berikut 77,7% dan 88%. Performansi tertinggi terdapat pada calon presiden nomor urut dua dengan nilai f-measure sebesar 0,88.

Sosial media merupakan suatu media yang dapat digunakan untuk berekspresi oleh penggunanya. Twitter cukup populer dan sering digunakan di Indonesia, pengguna twitter dapat berekspresi dan beraspirasi tanpa adanya batasan. Tweet yang berupa ekspresi dan aspirasi yang ditulis oleh pengguna twitter dapat digunakan untuk ulasan sebuah produk atau layanan. Pada penelitian ini, peneliti menggunakan teknik text mining dengan menerapkan algoritma Support Vector Machine yang dipergunakan untuk analisis sentimen pengguna twitter terhadap pelayanan Telkom dan Biznet. Data pada pelayanan Telkom dan Biznet akan dilakukan perhitungan pada penelitian ini dengan jumlah dataset sebanyak 500 tweet yang berasal dari crawling data twitter, terdapat 250 tweet yang dijadikan dataset pada masing-masing objek. Sejumlah data tersebut akan dipergunakan untuk data training serta data testing dalam proses pembuatan model menggunakan algoritma Support Vector Machine. Metode yang digunakan untuk pengujian model adalah Confusion Matrix sedangkan K-Fold Cross Validation ditujukan untuk untuk membagi data training dan data testing sesuai lipatan yang digunakan. Hasil pengujian yang diperoleh menggunakan metode K-Fold Cross Validation dan Confusion Matrix pada model yang dibuat menggunakan algoritma Support Vector Machine yang memberikan hasil nilai accuracy 79,6%, precision 76,5%, recall 72,8% , dan F1-score 74,6% untuk Telkom, serta accuracy 83,2%, precision 78,8%, recall 71,6%, dan F1-score 75% untuk Biznet.

Pemilihan umum presiden yang diselenggarakan setiap lima tahun sekali merupakan momen yang penting untuk mewujudkan demokrasi dalam Negara Kesatuan Republik Indonesia. Penyampaian dukungan dilakukan baik tim sukses, buser maupun pendukung untuk mencitrakan positif calon masing-masing. Berbagai media digunakan salah satunya adalah Twitter, masyarakat menyampaikan komentar positif dan negatif bahkan cenderung “kampanye hitam” dan hoax sebelum pemilu dilaksanakan maupun saat pemilu sedang berlangsung mengenai pemilu yang diadakan, komentar di Twitter saat ini belum dapat ditentukan lebih ke arah positif atau negatif, oleh karena itu perlu dilakukan analisis sentimen untuk mengetahui kecenderungan opini masyarakat terhadap pemilu. Tujuan dari penelitian ini memperoleh analisis dokumen text untuk mendapatkan sentimen positif atau negatif. Metode yang digunakan K-Means untuk melakukan klastering pada data latih dan Naive Bayes classifier untuk mengklasifikasi pada data testing. Hasil dari pembobotan ini berupa sentimen positif dan negatif. Data diambil dari Twitter mengenai pemilu presiden 2019 sebanyak 500 data tweet. Dari hasil pengujian 100 dan 150 data uji diperoleh akurasi rata-rata 93.35% dan error rate sebesar 6.66%.

Dalam penelitian ini akan dilakukan analisis sentimen terhadap calon presiden Indonesia tahun 2019 berdasarkan komentar publik di jejaring sosial Facebook. Selanjutnya akan melalui beberapa tahapan dalam melaukan analisis sentimen, antara lain adalah tahap pengumpulan data, data correction, preprocessing data, dan klasifikasi menggunakan Naïve Bayes Classifier serta dilakukan asosiasi teks. Hasil dari penelitian ini diperoleh bahwa calon presiden Joko Widodo didapatkan postingan sebanyak 40 data dan calon presiden Prabowo Subianto didapatkan 12 data postingan dengan pengumpulan data pada tanggal 17 april 2019 sampai 22 mei 2019. Dari data sebanyak 5.000 komentar yang dipilih secara acak dan melalui tahap preprocessing menghasilkan polaritas sentimen, Joko Widodo memeperoleh 85% untuk sentimen positif, 15% sentimen negatif. Sedangkan Prabowo Subianto memperoleh 76% sentimen positif, dan 24% sentimen negatif. Untuk hasil klasifikasi menggunakan Naïve Bayes Classifier memperoleh hasil tingkat akurasi sebesar 86,4%, serta kata yang berasosiasi dengan kata masyarakat terhadap Joko Widodo didapatkan kata upaya, mental, dan kondisi untuk sentimen positif dan kata pemerintahan, pembangunan, kelompok untuk sentimen negatif. Sedangkan yang berasosiasi dengan kata masyarakat terhadap Prabowo Subianto didapatkan kata sistem, berkomitmen, dan kritis untuk sentimen positif dan kata bodohi, kelayakan, diusung untuk sentimen negatif.

Saat ini pembicaraan publik di sosial media menjadi salah satu hal menarik untuk diteliti. Dari topik pembicaraan itu menghasilkan komentar yang sebagian besar mengandung opini sentimen. Penelitian ini mencoba menganalisis komentar dengan metode analisis vader, yaitu metode analisis lexicon-based berbasis rule-based sentiment analysis. Vader akan menganalisis text berdasarkan lexicon (a library) yang menghasilkan class sentimen berupa positif, negatif, dan neutral dengan tambahan skor total atau compound (combined score). Penelitian ini memanfaatkan Prepocess text yang meliputi transformation, tokenization, normalization, dan filtering yang bertujuan agar text bisa dianalisis oleh Orange Data Mining guna mendapat perbandingan analisis sentimen terhadap T-cash dan Go-pay di sosial media. Dari penelitian yang dilakukan mendapat kesimpulan bahwa T-cash memiliki nilai sentimen positif lebih tinggi dari pada Go-pay dan memiliki sentimen negatif yang lebih rendah dari pada Go-pay. Namun persamaanya T-cash dan Go-pay memiliki kesamaan pola grafik dimana sentimen terbesar adalah neutral, diikuti oleh positif, dan terakhir adalah negative.

Perkembangan teknologi saat ini telah memberikan kemudahan bagi banyak orang dalam mendapatkan dan menyebarkan informasi di berbagai social media platform. Twitter merupakan salah satu media yang kerap digunakan untuk menyampaikan opini sebagai bentuk reaksi seseorang atas suatu hal. Opini yang terdapat di Twitter dapat digunakan perusahaan maskapai penerbangan sebagai parameter kunci untuk mengetahui tingkat kepuasan publik sekaligus bahan evaluasi bagi perusahaan. Berdasarkan hal tersebut, diperlukan sebuah metode yang dapat secara otomatis melakukan klasifikasi opini ke dalam kategori positif, negatif, atau netral melalui proses analisis sentimen. Proses analisis sentimen dilakukan dengan proses data preprocessing, pembobotan kata menggunakan metode TF-IDF, penerapan algoritma, dan pembahasan atas hasil klasifikasi. Klasifikasi opini dilakukan dengan machine learning approach memanfaatkan algoritma multi-class Support Vector Machine (SVM). Data yang digunakan dalam penelitian ini adalah opini dalam bahasa Inggris dari para pengguna Twitter terhadap maskapai penerbangan. Berdasarkan pengujian yang telah dilakukan, hasil klasifikasi terbaik diperoleh menggunakan SVM kernel RBF pada nilai parameter 𝐶(complexity) = 10 dan 𝛾(gamma) = 1, dengan nilai accuracy sebesar 84,37% dan 80,41% ketika menggunakan 10-fold cross validation.

Copyright of Techno.com is the property of Universitas Dian Nuswantoro, Fakultas Ilmu Komputer and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

Tea Tree Oil berasal dari tanaman Melaleuca Alternifolia. Ini sudah digunakan untuk pengobatan dan sudah diidentifikasi sebagai antibiotik oleh New South Wales Chief Chemist pada tahun 1920. The Body Shop merupakan perusahaan kosmetika asal Brazil yang melakukan penetrasi ke pasar Indonesia pada tahun 1990. Tea Tree Oil menjadi produk yang best-seller dan sangat direkomendasikan oleh The Body Shop sendiri. Dalam situs femaledaily.com, produk ini mendapat penghargaan sebagai “Best of Beauty Skin Care” selama 5 tahun berturut-turut sejak tahun 2014 hingga 2018. Selain itu, produk ini juga memiliki 3163 ulasan dengan 64% dari keseluruhan ulasan merekomendasikan produk ini. Dengan menggunakan machine learning dan menerapkan metode Naïve Bayes Classifier, maka dapat dilakukan analisis sentimen terhadap produk The Body Shop Tea Tree Oil berdasarkan ulasan pengguna yang terdapat pada situs femaledaily.com. Data sampel yang digunakan sebanyak 2820 data dengan proporsi 70% sebagai data training dan 30% sebagai data testing. Output dari analisis ini berupa jumlah komentar pengguna, topic modelling, dan word cloud dengan sentiment positif dan negatif dan dengan tingkat akurasi model sentiment analysis Tea Tree Oil pada femaledaily sebesar 61.51%. DOI: https://doi.org/10.26905/jtmi.v5i2.3684

This paper present a text dataset which can be used in the field of text analysis, especially sentiment analysis. This dataset covers the primary data which consists of 10,806 lines of Indonesian text data originated from Twitter social media, which categorized into three categories that are positive, negative, and neutral; and the raw data which consists of 454,559 lines of unprocessed data. Other than that, on the labeled data, the data is cleaned by removing many kind of noises in the data, such as symbols or urls. In this paper, the presented dataset is tested using a sentiment analysis model to make sure that this dataset is suitable to be used in the field of text analysis. The testing is done by measuring the model accuracy which is trained using this dataset and then comparing it to other model which is trained using already published dataset. After testing the data using various algorithm, such as SVM, KNN, and SGD, the accuracy result between our data and the comparison data are more or less equal with around 4% to 12% differences in accuracy, and prove that the dataset presented in this paper is feasible to be used in sentiment analysis. Dataset can be downloaded from link at conclusion section