PENERAPAN ALGORITMA NAIVE BAYES UNTUK ANALISIS SENTIMEN CRYPTOCURRENCY PADA MEDIA SOSIAL TWITTER
Abstract
Dalam penelitian ini, sentimen masyarakat mengenai cryptocurrency yang disampaikan melalui tweet pada media sosial twitter akan di analisis menggunakan machine learning. Terdapat beberapa tahapan dalam melakukan analisis sentimen yaitu tahap pengumpulan data, preprocessing, labeling, pembobotan kata, klasifikasi dan evaluasi. Proses pengumpulan data dilakukan dengan metode scraping menggunakan library python snscrape dan menghasilkan sebanyak 10000 data tweet bahasa Indonesia yang berkaitan yang berkaitan dengan cryptocurrency. Proses preprocessing untuk pembersihan data terdiri dari 6 tahapan yaitu remove duplicate, case folding, cleansing, normalisasi kata, tokenizing, stopword removal dan lemmatization. Pada proses labeling data akan dilakukan secara otomatis menggunakan program python dengan library textblob, hasil labeling data terbagi menjadi 3 kelas yaitu sentimen positif, negatif dan netral. Pada tahap klasifikasi, algoritma naive bayes akan dikombinasikan dengan fitur pembobotan kata TF-IDF dalam satu kelas pipeline python. Data tweet yang digunakan dalam tahap klasifikasi sebanyak 5000 data yang terdiri dari 2500 data dengan label positif dan 2500 data dengan label negatif yang kemudian dibagi menjadi 2 yaitu sebanyak 4000 data untuk data latih dan 1000 data untuk data uji. Pengujian dan evaluasi yang dilakukan dengan metode confusion matrix menggunakan algoritma naive bayes menghasilkan nilai akurasi sebesar 89%
References
[2] Schut, Milan. (2017). Bitcoin analysis from an investor’s perspective Insight into market relations and diversification possibilities. Semantic Scholar, 33.
[3] Prasetya, Adam et al. (2021). Sentiment Analisis Terhadap Cryptocurrency Berdasarkan Comment Dan Reply Pada Platform Twitter. Journal of Information Systems and Informatics, 3(2), 268–277.
[4] Sulaiman, Fahmi Ilmawan, Wing Wahyu Winarno & Mei Parwanto Kurniawan. (2021). Perancangan Aplikasi Klasifikasi Sentimen Berbasis Web Terhadap Mata Uang Kripto. FAHMA, 19(3), 27–41.
[5] Handayani, Eni Tri & Ari Sulistiyawati. (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(1), 32-37.
[6] Deviyanto, Akhmad & M. Didik R. Wahyudi. (2018). Penerapan Analisis Sentimen Pada Pengguna Twitter Menggunakan Metode K-Nearest Neighbor. JISKa (Jurnal Informatika Sunan Kalijaga). 3(1), 1-13.
[7] Salam, Abu, Junta Zeniarja, & Rima Septiyan Uswatun Khasanah. (2018). Analisis Sentimen Data Komentar Sosial Media Facebook Dengan K-Nearest Neighbor (Studi Kasus Pada Akun Jasa Ekspedisi Barang J&T Ekspress Indonesia). Prosiding SINTAK. 2, 480-486.
[8] Fikri, Mujaddid Izzul, Trifebi Shina Sabrila & Yufis Azar. (2020). Perbandingan Metode Naïve Bayes dan Support Vector Machine pada Analisis Sentimen Twitter. Smatika Jurnal, 10(02), 71–76.
[9] Siregar, Amril Mutoi, Anis Fitri Nur Masruriyah & Yogi Firman Alfiansah. (2022). Penerapan Algoritma K-Nearest Neighbors untuk Analisis Sentimen pada Buletin APTIKOM. Scientific Student Journal for Information, Technology and Science. 3(1), 125-132.
[10] Sipayung, Evasaria Magdalena, Herastia Maharani & Ivan Zefanya. (2016). Perancangan Sistem Analisis Sentimen Komentar Pelanggan Menggunakan Metode Naive Bayes Classifier. Jurnal Sistem Informasi (JSI), 8(1), 959–965.
[11] Bhiantara, Ida Bagus Prayoga. (2018). Teknologi Blockchain Cryptocurrency Di Era Revolusi Digital. Prosiding Seminar Nasional Pendidikan Teknik Informatika, 9, 173–177
[12] Pintoko, Brata Mas & Kemas Muslim Lhaksamana. (2018). Analisis Sentimen Jasa Transportasi Online pada Twitter Menggunakan Metode Naive Bayes Classifier. E-Proceeding of Engineering, 5(3), 8121–8130.
[13] Lestari, Agnes Rossi Trisna, Rizal Setya Perdana, & M. Ali Fauzi. (2017). Analisis Sentimen Tentang Opini Pilkada DKI 2017 Pada Dokumen Twitter Berbahasa Indonesia Menggunakan Näive Bayes dan Pembobotan Emoji. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 1(12), 1718–1724.
