ANALISIS SENTIMEN APLIKASI RUANG GURU DI TWITTER MENGGUNAKAN ALGORITMA KLASIFIKASI

Angelina Puput Giovani, Ardiansyah Ardiansyah, Tuti Haryanti, Laela Kurniawati, Windu Gata

Abstract


E-learning merupakan pembelajaran berbasis elektronik dengan menggunakan komputer atau berbasis komputer. Salah satu aplikasi e-learning yang banyak dikenal saat ini adalah aplikasi Ruang Guru. Salah satu cara untuk mengetahui keberhasilan suatu aplikasi adalah dengan melakukan analisis sentimen terhadap aplikasi tersebut. Pada penelitian ini, analisis sentimen diambil dari komentar pengguna media sosial Twitter terhadap aplikasi Ruang Guru sebanyak 513 tweet, setelah dilakukan data cleaning, dengan sentimen positif sebanyak 338 tweet dan sentimen negatif sebanyak 175 tweet. Data tersebut diekstraksi menggunakan algoritma Naive Bayes (NB), Support Vector Machine (SVM), K-Nearest Neighbour (K-NN), dan feature selection dengan algoritma Particle Swarm Optimization (PSO). Penelitian ini membandingkan  metode NB, SVM, K-NN tanpa menggunakan feature selection dengan metode NB, SVM, K-NN yang menggunakan feature selection serta membandingkan nilai Area Under Curve (AUC) dari metode-metode tersebut untuk mengetahui algoritma yang paling optimal. Hasil pengujian mendapatkan hasil bahwa  aplikasi optimasi terbaik dalam model ini adalah algoritma PSO berbasis SVM dengan nilai akurasi sebesar 78,55% dan AUC sebesar 0,853. Penelitian ini berhasil mendapatkan algoritma yang efektif dan terbaik dalam mengklasifikasikan komentar positif dan komentar negatif terkait dengan aplikasi Ruang Guru

References


M. A. Bora, “Analisa Kepuasan Penggunaan E-Learning Cloud Sekolah Tinggi Teknik ( STT ) Ibnu Sina Batam,” vol. 1, no. 1, pp. 55–62, 2017.

RuangGuru, “Tentang Ruangguru.” https://ruangguru.com/general/about (accessed May 08, 2020).

N. D. Putranti and E. Winarko, “Analisis Sentimen Twitter untuk Teks Berbahasa Indonesia dengan Maximum Entropy dan Support Vector Machine,” vol. 8, no. 1, pp. 91–100, 2014.

G. A. Buntoro, “Analisis Sentimen Calon Gubernur DKI Jakarta 2017 Di Twitter,” vol. 2, no. 1, pp. 32–41, 2017.

F. Nurhuda and S. W. Sihwi, “Analisis Sentimen Masyarakat terhadap Calon Presiden Indonesia 2014 berdasarkan Opini dari Twitter Menggunakan Metode Naive Bayes Classifier,” vol. 2, no. 2, 2014.

A. Novantirani et al., “Analisis Sentimen pada Twitter untuk Mengenai Penggunaan Transportasi Umum Darat Dalam Kota dengan Metode Support Vector Machine,” vol. 2, no. 1, pp. 1177–1183, 2015.

S. A. Saputra, D. Rosiyadi, W. Gata, and S. M. Husain, “Analisis Sentimen E-Wallet Pada Google Play Menggunakan Algoritma Naive Bayes Berbasis Particle Swarm Optimization,” J. RESTI, vol. 1, no. 10, pp. 3–8, 2021.

D. D. Saputra et al., “Optimization Sentiments of Analysis from Tweets in myXLCare using Naïve Bayes Algorithm and Synthetic Minority Over Sampling Technique Method,” J. Phys. Conf. Ser., 2020, doi: 10.1088/1742-6596/1471/1/012014.

D. A. Kristiyanti, A. H. Umam, M. Wahyudi, R. Amin, and L. Marlinda, “Comparison of SVM & Naïve Bayes Algorithm for Sentiment Analysis Toward West Java Governor Candidate Period 2018-2023 Based on Public Opinion on Twitter,” Int. Conf. Cyber IT Serv. Manag., no. Citsm, pp. 1–6, 2018, doi: 10.1109/CITSM.2018.8674352.

L. N. Pradany and C. Fatichah, “Analisa Sentimen Kebijakan Pemerintah Pada Konten Twitter Berbahasa Indonesia Menggunakan Svm Dan K-Medoid Clustering,” SCAN-Jurnal Teknol. Inf. dan Komun., vol. 11, no. 1, pp. 59–66, 2016.

N. Y. A. Faradhillah, R. P. Kusumawardani, and I. Hafidz, “Eksperimen Sistem Klasifikasi Analisa Sentimen Twitter pada Akun Resmi Pemerintah Kota Surabaya Berbasis Pembelajaran Mesin,” Pros. Semin. Nas. Sist. Inf. Indones. 2016, pp. 15–24, 2016.

M. W. & N. N. Dwi Arum Ningtyas, “Klasifikasi Siswa Smk Berpotensi Putus Sekolah Menggunakan Algoritma Decision Tree , Support Vector Machine Dan Naive Bayes,” J. Khatulistiwa Inform., vol. VII, no. 2, pp. 85–90, 2019.

O. S. S. S. E. Syahfitri Kartika Lidya, “Sentiment Analysis Pada Teks Bahasa Indonesia Menggunakan Support Vector Machine (SVM) Dan K-Nearest Neighbor (K-NN),” Semin. Nas. Teknol. Inf. dan Komun., vol. 2015, no. Sentika, pp. 1–8, 2015.

S. W. Yudha and M. Wahyudi, “Komparasi Algoritma Klasifikasi Untuk Analisis Sentimen Review Film Berbahasa Asing,” in Seminar Nasional Informatika, Sistem Informasi Dan Keamanan Siber (SEINASI-KESI), 2018, pp. 180–185.

M. A. Assuja and S. Saniati, “Analisis Sentimen Tweet Menggunakan Backpropagation Neural Network,” J. Teknoinfo, vol. 10, no. 2, p. 48, 2016, doi: 10.33365/jti.v10i2.20.

X. Wu et al., Top 10 algorithms in data mining, vol. 14, no. 1. 2008.

N. K. Wardhani et al., “Sentiment analysis article news coordinator minister of maritime affairs using algorithm naive bayes and support vector machine with particle swarm optimization,” J. Theor. Appl. Inf. Technol., vol. 96, no. 24, pp. 8365–8378, 2018.

M. A. Maulana, A. Setyanto, and M. P. Kurniawan, “Analisis Sentimen Media Sosial Universitas Amikom,” Semin. Nas. Teknol. Inf. dan Multimed. 2018 Univ. AMIKOM Yogyakarta, 10 Februari 2018, pp. 7–12, 2018.

E. Indrayuni, “Analisa Sentimen Review Hotel Menggunakan Algoritma Support Vector Machine Berbasis Particle Swarm Optimization Elly,” J. Evolusi Vol., vol. 4, 2016.

W. E. Nurjanah, R. S. Perdana, and M. A. Fauzi, “Analisis Sentimen Terhadap Tayangan Televisi Berdasarkan Opini Masyarakat pada Media Sosial Twitter menggunakan Metode K-Nearest Neighbor dan Pembobotan Jumlah Retweet,” vol. 1, no. 12, pp. 1750–1757, 2017.

L. A. Utami, “Melalui Komparasi Algoritma Support Vector Machine Dan K-Nearest Neighbor Berbasis Particle Swarm Optimization,” vol. 13, no. 1, pp. 103–112, 2017.

Hernawati and W. Gata, “Sentimen Analisis Operasi Tangkap Tangan KPK Menurut Masyarakat Menggunakan Algoritma Support Vector Machine , Naive Bayes Berbasis Particle Swarm Optimizition,” faktir Exacta, vol. 12, no. 3, pp. 230–243, 2019, doi: 10.30998/faktorexacta.v12i3.4992.

I. Santoso, W. Gata, and A. B. Paryanti, “Penggunaan Feature Selection di Algoritma Support Vector Machine untuk Sentimen Analisis Komisi Pemilihan Umum,” J. RESTI, vol. 3, no. 3, pp. 5–11, 2019.




DOI: https://doi.org/10.33365/jti.v14i2.679

Refbacks

  • There are currently no refbacks.


Copyright (c) 2021 Angelina Puput Giovani, Ardiansyah Ardiansyah, Tuti Haryanti, Laela Kurniawati, Windu Gata

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

JURNAL TEKNOINFO
Published by Universitas Teknokrat Indonesia
Organized by Prodi S1 Informatika FTIK Universitas Teknokrat Indonesia

W: http://ejurnal.teknokrat.ac.id/index.php/teknoinfo/index
E : teknoinfo@teknokrat.ac.id.
Jl. Zainal Abidin Pagaralam, No.9-11, Labuhan Ratu, Bandarlampung

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Jumlah Pengunjung : View Teknoinfo StatsCounter

Flag Counter