Penggunaan Algoritma Naive Bayes dan Support Vector Machine dalam Analisis Sentimen Pengguna X terhadap Karakter Luffy pada Animasi One Piece

Fajar Agung; Yana Cahyana; Sutan Faisal

Fajar Agung Universitas Buana Perjuangan Karawang
Yana Cahyana Universitas Buana Perjuangan Karawang
Sutan Faisal Universitas Buana Perjuangan Karawang

Keywords: Data mining, Naive Bayes, Support Vector Machine, Luffy, One Piece

Abstract

Beragam platform media sosial, salah satunya seperti X, membantu mempercepat proses penyebaran informasi dan menyampaikan perspektif serta pendapat dari berbagai komunitas. Dalam penelitian ini, penulis menggunakan pendekatan kuantitatif, yaitu proses pencarian data dalam jejaring sosial X untuk mengumpulkan informasi publik tentang pendapat dan perasaan orang-orang yang menantikan episode wujud Sun God Nika dalam animasi One Piece. Sebanyak 3.121 data dari media sosial X, yang dikumpulkan dari 27 Desember hingga 20 Januari 2024, diperoleh menggunakan teknik crawling dengan pengembangan program sederhana berbasis Python. Hasil labelling menunjukkan 1.191 sentimen positif, 187 sentimen negatif, dan 1.200 sentimen netral. Nilai akurasi untuk algoritma Naive Bayes sebesar 84%, sedangkan nilai akurasi untuk algoritma Support Vector Machine sebesar 87%.

References

[1] M. A. Kausar, A. Soosaimanickam, and M. Nasar, “Public Sentiment Analysis on Twitter Data during COVID-19 Outbreak,” Int. J. Adv. Comput. Sci. Appl., vol. 12, no. 2, pp. 415–422, 2021, doi: 10.14569/IJACSA.2021.0120252.
[2] M. Jonathan and Y. Nataliani, “Analisis Sentimen Penilaian Masyarakat Indonesia terhadap GeNose pada Komentar Youtube Menggunakan Metode NaÃ¯ve Bayes,” J. Mat. dan Apl., vol. 11, no. 01, 2022, [Online]. Available: https://ejournal.unsrat.ac.id/index.php/decartesian/article/view/38339.
[3] S. Juanita, “Analisis Sentimen Persepsi Masyarakat Terhadap Pemilu 2019 Pada Media Sosial Twitter Menggunakan Naive Bayes,” J. Media Inform. Budidarma, vol. 4, no. 3, p. 552, 2020, doi: 10.30865/mib.v4i3.2140.
[4] N. Pavitha et al., “Movie recommendation and sentiment analysis using machine learning,” Glob. Transitions Proc., vol. 3, no. 1, pp. 279–284, 2022, doi: 10.1016/j.gltp.2022.03.012.
[5] Aminatuzzuhriyyah and N. Nafisah, “Klasifikasi Tingkat Kepuasan Mahasiswa Terhadap Pembelajaran Secara Daring Menggunakan Algoritma Naïve Bayes,” Techno Xplore J. Ilmu Komput. dan Teknol. Inf., vol. 6, no. 2, pp. 61–67, 2021, doi: 10.36805/technoxplore.v6i2.1377.
[6] S. Widaningsih, U. Suryakancana, A. Suheri, and U. Suryakancana, “Klasifikasi Jurnal Ilmu Komputer Berdasarkan Pembagian Web of,” vol. 2018, no. March, pp. 23–24, 2018.N. L. W. S. R. Ginantra, C. P. Yanti, G. D. Prasetya, I. B. G. Sarasvananda, and I. K. A. G. Wiguna, “Analisis Sentimen Ulasan Villa di Ubud Menggunakan Metode Naive Bayes, Decision Tree, dan K-NN,” J. Nas. Pendidik. Tek. Inform., vol. 11, no. 3, pp. 205–215, 2022, doi: 10.23887/janapati.v11i3.49450.
[7] M. Ghiassi and S. Lee, “A domain transferable lexicon set for Twitter sentiment analysis using a supervised machine learning approach,” Expert Syst. Appl., vol. 106, pp. 197–216, 2018, doi: 10.1016/j.eswa.2018.04.006.
[8] A. Kulkarni, D. Chong, and F. A. Batarseh, Foundations of data imbalance and solutions for a data democracy. Elsevier Inc., 2020.