SENTIMENT ANALYSIS TERHADAP PEMBELAJARAN
JARAK JAUH PADA MASA PANDEMI COVID-19
DENGAN METODE PARTICLE SWARM OPTIMIZATION
(PSO) DAN NAÃVE BAYES
Total View This Week0
Total View This Week0
Institusion
Universitas Siliwangi
Author
Yolanda, Yolanda
Subject
T Technology (General)
Datestamp
2023-02-10 01:28:12
Abstract :
ABSTRAK Pemberlakuan kebijakan pembelajaran jarak jauh (PJJ) pada masa pandemi covid-19 memperoleh banyak tanggapan, kritik dan saran yang berisi cuitan positif dan negatif dari masyarakat melalui twitter. Cuitan tersebut sulit dipilah untuk mendapatkan kata dari sentimen positif dan sentimen negatif karena kata yang digunakan beragam. Mengatasi hal itu analisis sentimen dilakukan untuk mengekstrak informasi terkait kebijakan PJJ. Untuk mendapatkan hasil evaluasi terbaik menggunakan perbandingan dengan 4 skenario. Tahap penelitian dimulai dengan pengambilan data twitter, cleaning data, pelabelan positif dan negatif, preprocessing data diantaranya tokenize, casefolding, stemming dan stopword removal, TF-IDF untuk pembobotan kata dan SMOTE menangani ketidakseimbangan data, klasifikasi menggunakan algoritma Naïve Bayes dan Particle Swarm Optimization (PSO) sebagai seleksi fitur. Pengujian Naïve Bayes yang dikombinasikan dan PSO dengan 4 skenario menghasilkan akurasi yang cukup baik, dengan nilai rata-rata akurasi 97.29%, recall 94.72%, dan precision 99.84%. Hasil akurasi tertinggi pada rasio 60:40 dengan algoritma Naïve Bayes dan PSO sebesar 97.88%. Pengaruh PSO terhadap performa model cukup baik terlihat pada akurasi yang meningkat. Kata Kunci: Analisis Sentimen, CRISP-DM, Naïve Bayes, Particle Swarm Optimiation, PJJ, SMOTE.
ABSTRAK Pemberlakuan kebijakan pembelajaran jarak jauh (PJJ) pada masa pandemi covid-19 memperoleh banyak tanggapan, kritik dan saran yang berisi cuitan positif dan negatif dari masyarakat melalui twitter. Cuitan tersebut sulit dipilah untuk mendapatkan kata dari sentimen positif dan sentimen negatif karena kata yang digunakan beragam. Mengatasi hal itu analisis sentimen dilakukan untuk mengekstrak informasi terkait kebijakan PJJ. Untuk mendapatkan hasil evaluasi terbaik menggunakan perbandingan dengan 4 skenario. Tahap penelitian dimulai dengan pengambilan data twitter, cleaning data, pelabelan positif dan negatif, preprocessing data diantaranya tokenize, casefolding, stemming dan stopword removal, TF-IDF untuk pembobotan kata dan SMOTE menangani ketidakseimbangan data, klasifikasi menggunakan algoritma Naïve Bayes dan Particle Swarm Optimization (PSO) sebagai seleksi fitur. Pengujian Naïve Bayes yang dikombinasikan dan PSO dengan 4 skenario menghasilkan akurasi yang cukup baik, dengan nilai rata-rata akurasi 97.29%, recall 94.72%, dan precision 99.84%. Hasil akurasi tertinggi pada rasio 60:40 dengan algoritma Naïve Bayes dan PSO sebesar 97.88%. Pengaruh PSO terhadap performa model cukup baik terlihat pada akurasi yang meningkat. Kata Kunci: Analisis Sentimen, CRISP-DM, Naïve Bayes, Particle Swarm Optimiation, PJJ, SMOTE.
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
