Implementasi Sentiment Analysis Tanggapan Masyarakat Terhadap Pembangunan di Kota Pontianak

Abstract

Sentiment analysis merupakan proses untuk memahami dan mengolah data tekstual secara otomatis untuk mendapatkan informasi sentimen yang terkandung dalam suatu kalimat opini. Pada umumnya masyarakat di zaman modern ini menuangkan dan mengekspresikan opininya ke media sosial terhadap berbagai topik, salah satu media sosial yang digunakan adalah twitter. Penelitian ini mencoba menganalisis tweet untuk dilakukan implementasi sentiment analysis terhadap opini masyarakat yang tertuang dalam twitter. Implementasi ini dilakukan dengan mengklasifikasikan tweet untuk mendapatkan informasi sentimen yang terkandung dalam tanggapan masyarakat, salah satu metode pengklasifikasian sentimen yaitu naïve bayes. Metode klasifikasi naïve bayes atau dikenal juga dengan teorema bayes memiliki ciri utama dalam asumsi opini yaitu menggunakan metode probabilitas dan statistik, teorema bayes menghitung nilai probabilitas tertinggi untuk klasifikasi sentimen. Jika suatu kata sering muncul dalam suatu dokumen maka diasumsikan bahwa kata tersebut merupakan kata penting dan diberikan nilai tertinggi, tapi jika kata muncul dalam berbagai dokumen maka kata tersebut bukanlah kata unik maka kata akan diberikan nilai rendah, dalam teorema bayes kata sendiri merupakan suatu unigrams dimana kata merupakan sentimen. Pengujian implementasi berbasis web menggunakan Bahasa Pemograman PHP menujukkan bahwa tweet dapat terklasifikasi secara otomatis. Data diklasifikasikan kedalam 3 (tiga) kelas yaitu, kelas positif, negatif dan netral. Proses dalam melakukan sentiment analysis dilakukan dengan melakukan text processing, setelah melewati tahapan text processing opini akan diklasifikasikan dengan metode klasifikasi naïve bayes ke dalam kelas positif, negatif atau netral. Secara keseluruhan hasil pengujian dengan menerapkan metode klasifikasi naïve bayes untuk mengolah informasi sentimen yang terdapat dalam suatu data tweet secara otomatis yang dikategorikan dalam tiga kelas yaitu positif, negatif dan netral dengan jumlah data latih sebesar 450 dan data uji sebesar 50, didapatkan akurasi sebesar 72%.