IJCSR: The Indonesian Journal of Computer Science Research Volume 1.
Nomor 2 Juli 2022 https://subset.
id/index.
php/IJCSR Perbandingan Algoritma Nayve Bayes dan Decision Tree Pada Sentimen Analisis I Putu Wibina Karsa Gumi1.
Hartatik2.
Andri Syafrianto3, .
Fakultas Ilmu Komputer Universitas Amikom Yogyakarta.
Jl.
Ringroad Utara.
Depok.
Condongcatur.
Sleman.
Yogyakarta.
Indonesia Program Studi Informatika STMIK EL RAHMA Yogyakarta.
Jl.
Sisingamangaraja Jl.
Karangkajen No.
Brontokusuman.
Kec.
Mergangsan.
Kota Yogyakarta Author Emails Corresponding author: andrisyafrianto@gmail.
Abstract.
The development of information technology in recent year is really fast which pushing the usage of internet.
People use social media to share their opinion or just as simple as interacting with each other.
Sentiment analysis is a branch of Natural Language Processing (NLP) that can filter and categorizing people opinion on social media.
This study uses twitter data to compare two algorithm that is Nayve Bayes Classifier and Decision Tree.
This study divided the data into two scenarios where the first one with 800 data and the second one with 200 data.
Data from each scenario divided again into 70% training data and 30% test data from the total of 1000 data.
The result show that Nayve Bayes Classifier have much higher accuracy with 85% compared to Decision Tree with 78% on the second scenario.
Keywords: Comparation.
Nayve Bayes.
Decision Tree.
Sentiment Analysis Abstraksi.
Perkembangan teknologi informasi dalam beberapa tahun terakhir sangat pesat dimana hal tersebut mendorong penggunaan internet dan pertukaran informasi.
Beragam sosial media digunakan masyarakat untuk membagi opini mereka atau sekadar berinteraksi dengan orang lain.
Analisis Sentimen adalah cabang dari Natural Language Processing (NLP) yang dapat menyaring dan mengkategorikan opini masyarakat pada sosial media.
Penelitian ini memanfaatkan data dari twitter untuk membandingakan dua algoritma klasifikasi yaitu Nayve Bayes Classifier dan Decision Tree.
Penelitian dilakukan dengan membagi data menjadi dua skenario dimana skenario 1 dengan 800 data dan skenario 2 dengan 200 data.
Data masingmasing skenario dibagi menjadi 70% data latih dan 30% data uji dari total 1000 data.
Hasil dari percobaan menunjukan bahwa Nayve Bayes memilki akurasi tertinggi dengan 85% dibandingkan Decision Tree dengan 78% pada skenario kedua Kata Kunci: Perbandingan.
Naive Bayes.
Decision Tree.
Sentimen Analisis PENDAHULUAN Pada masa serba digital sekarang setiap individu dapat memberikan opini mereka di beberapa media termasuk media berita dan media sosial.
Salah satu media social tersebut adalah twitter.
Dengan mengirim tweet atau cuitan yang merupakan pesan singkat pengguna dapat menyampaikan opini dan pandangannya terhadap suatu topik yang sedang hangat maupun topik umum.
Penggunaan twitter bukan hanya untuk sebagai media berbagi informasi namun media tersebut juga sering digunakan untuk bersosialisasi antar pengguna dan membagikan keluh kesah, opini serta sentiment mereka terhadap suatu topik maupun isu yang sedang hangat-hangatnya.
Opini dan sentiment tersebut tidak IJCSR: The Indonesian Journal of Computer Science Research Volume 1.
Nomor 2 Juli 2022 https://subset.
id/index.
php/IJCSR selalu bernilai positif namun juga dapat bernilai negative.
Data opini di twitter tersebut dapat dimanfaatkan untuk mengetahui dan menganalisis opini dan sentiment orang-orang terhadap topik dan isu tersebut.
Salah satu cara untuk menganalisis sentimen dari opini tersebut adalah dengan menggunakan Analisis Sentimen melalui Machine Learning.
Machine Learning memiliki beberapa teknik yaitu Supervised dan Unsupervised dimana keduanya dapat digunakan untuk menganalisa sentimen dari opini tersebut.
Beberapa metode pada supervised learning diantaranya adalah Nayve Bayes.
K-nearest Neighboor.
Decision Tree.
Support Vector Machine, dan Random Forest.
Berdasarkan hal tersebut maka penelitian ini akan melakukan perbandingan antara algoritma Nayve Bayes dan Decision Tree pada sentimen analisis dengan bantuan TF-IDF untuk membobotkan kata dalam dokumen.
Penilaian untuk membandingkan kedua algoritma tersebut selanjutnya akan menggunakan Confusion Matrix dengan mengukur tingkat akurasi, presisi, dan recall.
TINJAUAN PUSTAKA
Beberapa penelitian mengenai analisis sentiment dengan menggunakan Nayve Bayes pernah dilakukan dalam menganalisa pembelajaran daring di masa pandemi covid-19 dengan hasil bahwa 30% memberikan respon positif , 60% memberikan respon negative dan 1% netral.
Selain itu Nayve Bayes juga pernah digunakan untuk menganalisa opini masyarakat terhadap vaksin covid-19 dengan menggunakan 3780 tweet dengan hasil 60,3% memberikan tanggapan positif, 34,4% memberikan tanggapan negative, serta 5,4% memberikan tanggapan menentang/kurang baik dengan nilai akurasi 93%.
Nilai akurasi Nayve bayespun pernah dibandingkan dengan SVM untuk mengetahui sentiment masyarakat terhadap suatu kampus, hasilnya diketahui bahwa akurasi Nayve Bayes ternyata lebih baik bila dibandingkan dengan SVM dengan akurasi sebesar 73,65%.
Decision tree juga pernah dibandingkan dengan KNNdan Nayve Bayes dalam mengetahui sentiment masyarakat terhadap penggunaan layanan BPJS, berdasarkan ketiga diketahui bahwa akurasi tertingi berada di decision tree dengan nilai akurasi 96,13%, kemudian KNN dengan nilai akurasi sebesar 95,58% dan Nayve Bayes sebesar 89,14%.
Akurasi decision tree yang tinggi ini sejalan ketika decision tree dibandingkan dengan SVM untuk menganalisa sentiment masyarakat terhadap komentar aplikasi transportasi online, dengan hasil akurasi yang dihasilkan decision tree sebesar 90,20% dan SVM sebesar 89,90%.
Sentiment Analisis Sentimen analisis adalah sebuah studi yang menganalisa opini, pendapat, sentiment, penilaian, perilaku, sikap, dan emosi masyarakat terhadap suatu entitas yang dapat berupa topik, produk, layanan, individu, organisasi, peristiwa, fenomena dan masalah.
Sentimen analisis biasa juga disebut opinion mining, opinion extraction, dan sentiment mining yang berada pada ranah analisis sentiment .
Analisis sentiment berfokus terhadap opini masyarakat yang menunjukan sentimen positif atau sentimen negatif.
Analisis sentiment berkembang dan masuk menjadi jenis penelitian dalam natural langague processing (NLP).
Klasifikasi sentiment dapat dilakukan dengan dua cara .
supervised dan unsupervised.
Keberhasilan teknik tersebut bergantung pada ekstraksi karakteristik untuk mendeteksi Teknik supervised yang paling umum digunakan adalah Support Vector Machine (SVM) dan Nayve Bayes Classifier (NB) .
Sedangkan unsupervised menggunakan klasifikasi beberapa tipe kata berdasarkan orientasi Nayve Bayes Klasifikasi Nayve Bayes adalah teknik pengklasifikasian yang digunakan untuk memprediksi keanggotaan suatu kelas.
Pengklasifikasian Nayve Bayes didasari oleh teori bayes yang memiliki klasifikasi yang sama dengan decision tree .
Dasar dari teknik Klasifikasi Nayve Bayes adalah dari teorema bayes dengan kemampuan sebanding dengan decision tree dan neural network.
Teori dan persamaan Nayve bayes terangkum pada persamaan .
ycU) = ycE.
A pers .
cU) Dimana :
X) : adalah Probrabilitas y berdasarkan X IJCSR: The Indonesian Journal of Computer Science Research Volume 1.
Nomor 2 Juli 2022 https://subset.
id/index.
php/IJCSR P(X.
P(X) : adalah Probrabilitas X : adalah Probabilitas dari y : adalah Probabilitas dari X : adalah Hipotesa data X : adalah Data yang belum diketahui Sedangkan alur dari Nayve Bayes terangkum pada Gambar 1.
GAMBAR 1.
Alur Nayve Bayes Decision Tree Dalam data mining, algortima klasifikasi dapat mengendalikan data dengan jumlah besar salah satu teknik yang digunakan untuk membuat klasifikasi adalah Decision Tree.
Decision Tree adalah salah satu metode yang banyak digunakan dalam berbagai hal misalnya machine lelarning, image processing dan patern identification .
Decision Tree adalah sebuah diagram yang dimulai dengan satu node dan kemudian node tersebut memiliki cabang untuk setiap pilihannya yang setiap cabang tersebut akan membuat cabang baru.
Alur dari decision tree terangkum pada Gambar IJCSR: The Indonesian Journal of Computer Science Research Volume 1.
Nomor 2 Juli 2022 https://subset.
id/index.
php/IJCSR Gambar 2.
Alur Decision Tree
METODE PENELITIAN
Tahapan penelitian yang akan digunakan dalam penelitian ini adalah:
Pengumpulan Data tweet dari twitter menggunakan tweepy Preprocessing data Pembagian Data menjadi data latih dan data uji Pengujian model klasifikasi Nayve Bayes dan Decision Tree Dengan memanfaatkan data tweet dari twitter makan akan digunakan API twitter untuk mendapatkan dataset yang keseluruhan dataset akan dibagi kedalam dua scenario yaitu dataset kecil dan dataset besar.
Setelah mendapatkan dataset proses selanjutnya adalah preprocessing untuk membersihkan dan membuat data lebih terstruktur yang nantinya akan diberikan label, pembobotan, dan ekstraksi fitur dengan bentuan TF-IDF.
Proses klasifikasi akan dibagi menjadi 4 dengan masing-masing klasifikasi diberikan 2 dataset, pengukuran nilai akurasi akan menggunakan Confusion Matrix untuk membandingkan efektifitas kedua algoritma tersebut.
alur penelitian yang akan dilakukan terangkum pada Gambar 3.
Pengambilan Data Dataset diambil dari media social Twitter .
ttps://twitter.
dengan menggunakan API dan program open source Tweepy untuk mengambil data tweet sebanyak 1000 data tweet yang akan terbagi menjadi 2 skenario dimana skenario 1 akan menggunakan 200 data tweet dan scenario 2 akan menggunakan 800 data tweet yang terbagi menjadi data latih dan data uji.
Informasi dari tweet yang diambil adalah:
Informasi tanggal, bulan, tahun dari tweet Username Isi Tweet IJCSR: The Indonesian Journal of Computer Science Research Volume 1.
Nomor 2 Juli 2022 https://subset.
id/index.
php/IJCSR Pengambilan Informasi waktu dan username adalah untuk mengantisipasi adanya tweet yang terduplikasi akibat fitur twitter AuretweetAy yang memungkinkan pengguna untuk merespon sebuah tweet namun dengan memposting ulang tweet tersebut sebagai Auquoted tweetAy.
GAMBAR 3.
Alur penelitian Preprocessing dan Labeling Setelah dataset terkumpul dan terbagi maka data tersebut harus dibersihkan agar mempermudah dan membuat data tersebut dapat diolah menjadi informasi baru.
Tahapan preprocessing meliputi.
Cleaning Case Folding Stemming Filtering (Stopword Remova.
Tokenizing GAMBAR 4.
Alur Preprocessing Labeling dilakukan secara manual oleh peneliti dan Ekstraksi Fitur akan dilakukan dengan menggunakan metode Term Frequency Ae Inverse Document Frequency (TF-IDF) yang bertujuan untuk menilai seberapa penting setiap kata yang muncul dalam data dokumen dan mengubah kata menjadi numerik.
Nilai tinggi dan frekuensi kemunculan pada kata dan dokumen akan menunjukan bahwa kata tersebut penting dan umum.
Bobot hubungan antara kata dan dokumen akan menunjukan nilai tinggi jika kemunculan kata tersebut tinggi dalam dokumen.
Perancangan Sistem Dengan menggunakan data yang telah ditarik dari twitter, peneliti akan menggunakan metode TF-IDF sebagai pembobot dan ekstraksi fitur untuk setiap dokumen tweet dan Nayve Bayes dan Decision Tree sebagai pengklasifikaasi dan membandingkan kedua scenario tersebut dengan Confusion Matrix untuk mengukur akurasi dari model Analisis Hasil IJCSR: The Indonesian Journal of Computer Science Research Volume 1.
Nomor 2 Juli 2022 https://subset.
id/index.
php/IJCSR Analisa dilakukan dengan memanfaatkan Confussion Matrix yang membandingkan dan menghitung nilai akurasi, presisi, dan recall pada setiap metode dengan tujuan untuk mengetahui apakah akurasi, presisi, dan recall dapat diperngaruhi dengan banyaknya jumlah data yang digunakan.
HASIL DAN PEMBAHASAN
Data yang digunakan dalam penelitian ini adalah kumpulan data tweet dari twitter yang didapatkan dengan crawling data dengan API yang disediakan oleh twitter.
Data yang diperoleh berupa kumpulan tweet yang disimpan kedalam dokumen dengan format .
Untuk memperoleh izin untuk menggunakan API tersebut harus melalui twitter developer mode yang dapat menggunakan source code seperti Gambar 5.
access_token="752781860044890113-Ic93QDrhlkDASyBw3ADCies8qamp9au" access_token_secret="kLPSk64kgd6Z1wWgQXAn5QuWitG3FwGFIDDiMXeFHhXd5" consumer_key ="HA1zfKmOnSViZF1N2zw6zq49K" consumer_secret="ItcxVUqmL2LS8hzxG1xst9gujbwUye2JaLOaVqD9zJWhsULLNA" GAMBAR 5.
Access Token API Script tersebut untuk mendapatkan akses untuk API twitter dan kemudian dilanjutkan dengan mengambil data dengan tweepy, source code lengkapnya terangkum pada Gambar 6.
import csv import string import tweepy from tweepy import OAuthHandler access_token="752781860044890113-Ic93QDrhlkDASyBw3ADCies8qamp9au" access_token_secret="kLPSk64kgd6Z1wWgQXAn5QuWitG3FwGFIDDiMXeFHhXd5" consumer_key ="HA1zfKmOnSViZF1N2zw6zq49K" consumer_secret="ItcxVUqmL2LS8hzxG1xst9gujbwUye2JaLOaVqD9zJWhsULLNA" auth = tweepy.
OAuthHandler.
onsumer_key, consumer_secre.
set_access_token.
ccess_token, access_token_secre.
api = tweepy.
API.
uth, wait_on_rate_limit=Tru.
csvFile = open('dataset2.
csv', 'a', encoding='utf-8') csvWriter = csv.
svFil.
search = "vaksin pemerintah covid" newsearch = search " -filter:retweets" Cursor.
search,q=newsearch, tweet_mode="extended", lang="id").
# 2000 item minimalisir tweet duplikat print .
full_tex.
csvWriter.
full_tex.
) GAMBAR 6.
Crawling Data Tweet Selanjutnya akan dilakukan tahapan cleaning yang akan digunakan untuk menghilangkan tanda baca, angka, dan beberapa karakter unik seperti @ yang biasa digunakan sebagai penanda username, # .
, url, dan karakter Proses ini dilakukan karena karakter tersebut tidak mempunyai nilai yang signifikan dan tidak memiliki pengaruh pada sentimen pada twitter.
Oleh sebab itu karakter tersebut akan dihilangkan untuk membuat dokumen IJCSR: The Indonesian Journal of Computer Science Research Volume 1.
Nomor 2 Juli 2022 https://subset.
id/index.
php/IJCSR menjadi bersih dan lebih mudah untuk dibaca dan diproses selanjutnya.
Contoh cleaning yang akan dilakukan terangkum pada Tabel 1 TABEL 1.
Cleaning Normal Cleaning Vaksin dari pemerintah siap didistibusikan ya #ayovaksinasi Pemerintah targetkan vaksinasi hingga akhir 2021 Vaksin dari pemerintah siap didistribusikan ya ayovaksinasi Pemerintah targetkan vaksinasi hingga akhir 2021 Gambar 7 adalah script untuk melakukan cleaning def remove_punct.
weetBersi.
tweetBersih = re.
sub("(@[A-Za-z0-.
)|([^09A-Za- z \.
)|(\w :\/\/\S )"," ", tweetBersi.
tweetBersih = re.
sub('RT[\.
', '', tweetBersi.
return tweetBersih tweet_df['text']=tweet_df['text'].
ambda x:
remove_punct.
) GAMBAR 7.
Cleaning data Selanjutnya akan dilakukan Case folding yang akan mengubah setiap huruf menjadi lowercase.
Contoh proses perubahan dari case folding terangkum pada Tabel 2.
TABEL 2.
Case Folding Normal Karena telah terjamin aman, bermutu, dan masyarakat untuk menyegerakan vaksinasi Mereka salah satu usia Produktif yang harus Umur 12 sampai 18 tahun anak Indonesia wajib diberikan vaksin.
Case Folded karena telah terjamin aman, bermutu, dan masyarakat untuk menyegerakan vaksinasi mereka salah satu usia produktif yang harus umur 12 sampai 18 tahun anak indonesia wajib diberikan vaksin.
Gambar 8 adalah script untuk melakukan case folding:
cript untuk case folding sudah tergabung dengan stemming dikarenakan library satsrawi secara otomatis melakukan case folding untuk tahap GAMBAR 8.
Case Folding Selanjutnya akan dilakukan stemming untuk mengubah kata menjadi kata dasar seperti Au-muAy.
Au-kahAy, -AukanAy.
Au-nyaAy.
Contoh perubahan kata pada proses stemming seperti Tabel 3.
IJCSR: The Indonesian Journal of Computer Science Research Volume 1.
Nomor 2 Juli 2022 https://subset.
id/index.
php/IJCSR TABEL 3.
Stemming Normal Stemming Vaksin mampu mencapai herd immunity seseorang supaya mencegah penularan COVID-19.
vaksin mampu capai herd immunity orang supaya cegah tular covid-19 Pemetintah akan mendistribusikan vaksin hingga akhir tahun ini Perintah akan distribusi vaksin hingga akhir tahun Gambar 9 adalah script untuk melakukan stemming def steeming.
weetBersi.
tweetBersih = stemmer.
weetBersi.
return tweetBersih tweet_df['text'] tweet_df['text'].
ambda x: steeming.
) GAMBAR 9.
Stemming Proses stopword removal adalah proses untuk menghilangkan kata yang tidak penting seperti kata penghububg AudanAy.
AudiAy.
AukeAy, dan AuatauAy.
Contoh stopword removal terdapat pada Tabel 4.
TABEL 4.
Stopword Removal Normal Cleaning Alhamdulillah santri di Indonesia juga beberapa sudah menerima vaksin dari pemerintah.
Lekas sehat Indonesiaku.
Pemerintah siapkan vaksin dan Alhamdulillah santri Indonesia juga beberapa sudah menerima vaksin Lekas sehat Indonesiaku.
Pemerintah siapkan vaksin booster Gambar 10 adalah script untuk melakukan stopword removal :
def remove_stopword.
weetBersi.
tweetBersih = stopword.
weetBersi.
return tweetBersih tweet_df['text'] tweet_df['text'].
ambda x: remove_stopword.
) GAMBAR 10.
Stopword Removal Tokenizing adalah proses untuk memisahkan kata dalam suatu kalimat menjadi potongan yang berdiri sendiri atau tunggal.
Contoh tokenizing terdapat pada Tabel 5.
TABEL 5.
Tokenizing Normal Tokenizing [AukepalaAy.
AuBINAy.
AumenyampaikanAy.
AumasyarakatAy.
AuuntukAy.
AutidakAy.
AukhawatirAy.
AukarenaAy.
AuvaksinasiAy.
Kepala BIN menyampaikan masyarakat untuk tidak khawatir IJCSR: The Indonesian Journal of Computer Science Research Volume 1.
Nomor 2 Juli 2022 https://subset.
id/index.
php/IJCSR AuyangAy.
AudigunakanAy.
AusaatAy.
AuiniAy.
AuamanAy.
AuhalalAy.
AudanAy.
AudijaminA.
[AuVaksinAy.
AuSinovacAy.
AuamanAy.
AujadiAy.
AutidakAy.
AuperluAy.
AutakutA.
karena vaksinasi yang digunakan saat ini aman, halal dan dijamin Vaksin Sinovac aman jadi tidak perlu Gambar 11 adalah script untuk melakukan tokenizing def tokenizing.
weetBersi.
tweetBersih = tweetBersih.
return tweetBersih tweet_df['text'] tweet_df['text'].
ambda x: tokenizing.
) GAMBAR 11.
Tokenizing Labeling akan dilakukan secara manual untuk setiap dokumeni, label tersebut pernilai 1 atau 0, 1 jika positif dan 0 jika negatif.
Data tersebut adalah data tweet yang sudah dilabeli secara manual dengan nilai positif dan negative.
Tabel 6 adalah contoh label data tweet TABEL 6.
Labeling Data Tweet Sentimen Semua jenis vaksin yang disediakan oleh pemerintah Positif dipastikan memiliki persetujuan WHO dan Badan POM Kebenaran! Jumlah orang yang meninggal akibat vaksin sangat luar biasa.
Pemerintah? Diam saja Negatif
TF-IDF
Penggunaan TF-IDF adalah untuk ekstraksi fitur dan mengubah data kata menjadi numerik untuk proses analisis sentimen.
Kata tersebut akan tergabung menjadi sebuah array yang kemudian akan mudah dibaca oleh computer karena computer hanya bisa membaca angka numerik.
Gambar 12 adalah script untuk melakukan TF-IDF.
feature_extraction.
TfidfVectorizer tfidf = TfidfVectorizer.
nalyzer='word', use_idf=Tru.
X_train = tfidf.
fit_transform(X_trai.
X_test = tfidf.
transform(X_tes.
GAMBAR 12.
TF-IDF
Analisis Hasil Prediksi Sentimen Dengan Nayve Bayes Sub-bab ini akan membahas tentang analisa hasil prediksi sentimen Auvaksinasi pemerintahAy dari twitter dengan Nayve Bayes serta bantuan Confusion Matrix untuk menghitung nilai akurasi, presisi dan recall.
Tabel 7 adalah table hasil output setiap scenario TABEL 7.
Hasil Prediksi Nayve Bayes Skenario Total Data Skenario 1 Skenario 2 Data Latih Data Uji Positif Negatif Prediksi Aktual Positif Positif Negatif Negatif Hasil Akurasi Akurasi IJCSR: The Indonesian Journal of Computer Science Research Volume 1.
Nomor 2 Juli 2022 https://subset.
id/index.
php/IJCSR Prediksi Positif Negatif TABEL 8.
Keterangan Tabel Confusion Matrix Aktual Prediksi TP (True Positiv.
FN (False Negativ.
FP (False Positiv.
TN (True Negativ.
Akurasi Tingkat akurasi dari hasil analisis dengan algoritma Nayve Bayes dari kedua scenario menunjukan akurasi meningkat dimana pada scenario 1 .
menunjukan akurasi 73% dan scenario 2 .
dengan akurasi tertinggi yakni GAMBAR 13.
Akurasi Nayve Bayes Precision Hasil analisis menunjukan nilai precisioin pada algoritma Nayve Bayes dimana nilai tersebut menunjukan keakuratan klasifikasi dengan 0.
71 pada Skenario 1 dan nilai tertinggi 0.
83 pada Skenario 2.
GAMBAR 14.
Precision Nayve Bayes Recall Hasil analisis untuk nilai recall menunjukan apabila semakin tinggi nilai tersebut maka tingkat keberhasilan analisis untuk mengenali kembali suatu dokumen semakin baik.
Nilai recall untuk Skenario 1 adalah 0.
84 dan untuk scenario 2 memiliki nilai recall tinggi yaitu 0.
IJCSR: The Indonesian Journal of Computer Science Research Volume 1.
Nomor 2 Juli 2022 https://subset.
id/index.
php/IJCSR GAMBAR 15.
Recall Nayve Bayes F1 Score Hasil analisis Skenario 1 0.
77 dan Skenario 2 0.
GAMBAR 16.
F1 Score Nayve Bayes Hasil Prediksi Sentimen Dengan Decision Tree Sub-bab ini akan membahas tentang analisa hasil prediksi sentimen Auvaksinasi pemerintahAy dari twitter dengan Decision Tree serta bantuan Confusion Matrix untuk menghitung nilai akurasi, presisi dan recall.
Table 9 adalah table hasil output setiap scenario.
TABEL 9.
Hasil Prediksi Decision Tree Skenario Total Data Skenario 1 Skenario 2 Data Latih Data Uji Positif Negatif Positif Negatif Prediksi Prediksi Aktual Positif Positif Negatif Negatif Hasil Akurasi Akurasi TABEL 10.
Keterangan Tabel Confusion Matrix Aktual Prediksi TP (True Positiv.
FP (False Positiv.
IJCSR: The Indonesian Journal of Computer Science Research Volume 1.
Nomor 2 Juli 2022 https://subset.
id/index.
php/IJCSR FN (False Negativ.
TN (True Negativ.
Akurasi Tingkat akurasi dari hasil analisis dengan algoritma Decision Tree dari kedua scenario menunjukan akurasi meningkat dimana pada scenario 1 .
menunjukan akurasi 58% dan scenario 2 .
dengan akurasi tertinggi yakni 78%.
GAMBAR 17.
Akurasi Decision Tree Precision Hasil analisis menunjukan nilai precisioin pada algoritma Decision Tree dimana nilai tersebut menunjukan keakuratan klasifikasi dengan 0.
55 pada Skenario 1 dan nilai tertinggi 0.
78 pada Skenario 2.
Gambar 18 Precision Decision Tree Recall Hasil analisis untuk nilai recall menunjukan apabila semakin tinggi nilai tersebut maka tingkat keberhasilan analisis untuk mengenali kembali suatu dokumen semakin baik.
Nilai recall untuk Skenario 1 adalah 0.
9 dan untuk scenario 2 memiliki nilai recall rendah yaitu 0.
IJCSR: The Indonesian Journal of Computer Science Research Volume 1.
Nomor 2 Juli 2022 https://subset.
id/index.
php/IJCSR GAMBAR 19.
Recall Decision Tree F1 Score Hasil analisis Skenario 1 0.
68 dan Skenario 2 0.
GAMBAR 20.
F1 Score Decision Tree Perbandingan Nayve Bayes dan Decision Tree Skenario Table 11.
hasil perbandingan kedua algoritma
Data
Akurasi
Precision Recall F1 Score
NB 1
NB 2
DT 1
DT 2
IJCSR: The Indonesian Journal of Computer Science Research Volume 1.
Nomor 2 Juli 2022 https://subset.
id/index.
php/IJCSR Akurasi Kedua algoritma memiliki nilai akurasi tertinggi pada jumlah data terbanyak dengan 85% pada Nayve Bayes dan 78% pada Decision Tree.
Nayve Bayes mengalami kenaikan akurasi sebesar 9% Ketika dataset diganti dengan dataset yang lebih besar sedangkan Decision Tree mengalami lonjakan yang drastis sebesar 34% ketika menggunakan dataset yang lebih besar.
Precision Nilai Precision pada algoritma Nayve Bayes pada kedua scenario menunjukan angka yang cukup besar yang artinya algoritma dapat memberikan jawaban dengan cukup baik dimana jawaban tersebut adalah bagaimana algoritma tersebut mengklasifikasi sebuah data.
Decision Tree memiliki nilai presisi yang kurang baik selebihnya pada skenaria 1 dengan 200 data dimana nilai presisi cukup rendah.
Recall Seluruh scenario dari kedua algoritma menunjukan nilai yang baik dengan 0.
93 pada Nayve Bayes scenario 2 90 pada Decision Tree scenario 1.
Nilai tersebut menjadi alat ukur untuk mengetahui keberhasilan algoritma dalam menemukan Kembali informasi F1-Score Kedua algoritma menunjukan skor yang baik untuk skenario dengan jumlah data lebih besar dengan Nayve Bayes 88 dan Decision Tree sebesar 0.
KESIMPULAN
Berdasarkan dari hasil pengujian pada bab sebelumnya dapat dibuat kesimpulan bahwa penggunaan dan implementasi algoritma Nayve Bayes dan Decision Tree pada analisis sentimen dengan data kecil memiliki akurasi yang cenderung rendah terutama pada Decision Tree.
Perbandingan kedua algortima mendapatkan nilai akurasi
tertinggi sebesar 85% untuk Nayve Bayes dan 78% untuk Decision Tree
TINJAUAN PUSTAKA
Assaidi and F.
Amin.
AuAnalisis Sentimen Evaluasi Pembelajaran Tatap Muka 100 Persen pada Pengguna Twitter menggunakan Metode Logistic Regression,Ay J.
Pendidik.
Tambusai, vol.
6, no.
2, 2022, doi:
31004/jptam.
Rozaq.
Yunitasari.
Sussolaikah.
Resty.
Sari, and R.
Syahputra.
AuAnalisis Sentimen Terhadap Implementasi Program Merdeka Belajar Kampus Merdeka Menggunakan Nayve Bayes .
K-Nearest Neighboars Dan Decision Tree,Ay J.
Media Inform.
Budidarma, vol.
6, no.
April, pp.
746Ae750, 2022, doi:
30865/mib.
Adinata and J.
Arifin.
AuKlasifikasi Jenis Kelamin Wajah Bermasker Menggunakan Algoritma Supervised Learning,Ay J.
Media Inform.
Budidarma, vol.
6, no.
1, p.
229, 2022, doi: 10.
30865/mib.
Samsir.
Ambiyar.
Verawardina.
Fi.
Edi, and R.
Watrianthos.
AuAnalisis Sentimen Pembelajaran Daring Pada Twitter di Masa Pandemi COVID-19 Menggunakan Metode Nayve Bayes,Ay J.
Media Inform.
Budidarma, 5, no.
1, p.
149, 2021, doi: 10.
30865/mib.
Yulita et al.
AuAnalisis Sentimen Terhadap Opini Masyarakat Tentang Vaksin Covid-19 Menggunakan Algoritma Nayve Bayes Classifier,Ay Jdmsi, vol.
2, no.
2, pp.
1Ae9, 2021.
Fikri.
Sabrila, and Y.
Azhar.
AuPerbandingan Metode Nayve Bayes dan Support Vector Machine pada Analisis Sentimen Twitter,Ay Smatika J.
, vol.
10, no.
02, pp.
71Ae76, 2020, doi:
32664/smatika.
Puspita and A.
Widodo.
AuPerbandingan Metode KNN.
Decision Tree, dan Nayve Bayes Terhadap Analisis IJCSR: The Indonesian Journal of Computer Science Research Volume 1.
Nomor 2 Juli 2022 https://subset.
id/index.
php/IJCSR .
Sentimen Pengguna Layanan BPJS,Ay J.
Inform.
Univ.
Pamulang, vol.
5, no.
4, p.
646, 2021, doi:
32493/informatika.
Rokhman.
Berlilana, and P.
Arsi.
AuPerbandingan Metode Support Vector Machine Dan Decision Tree Untuk Analisis Sentimen Review Komentar Pada Aplikasi Transportasi Online,Ay J.
Inf.
Syst.
Manag.
, vol.
1, pp.
1Ae7, 2021, doi: 10.
24076/joism.
Darwis.
Siskawati, and Z.
Abidin.
AuPenerapan Algoritma Naive Bayes Untuk Analisis Sentimen Review Data Twitter BMKG Nasional,Ay J.
Tekno Kompak, vol.
15, no.
1, p.
131, 2021, doi: 10.
33365/jtk.
Robynson and Y.
Sibaroni.
AuAnalisis Tren Sentimen Masyarakat Terhadap Pembatasan Sosial Berskala Besar Kota Jakarta Menggunakan Algoritma Support Vector Machine,Ay e-Proceeding Eng.
, vol.
8, no.
5, pp.
10166Ae10178, 2021.
Sujadi.
Fajar, and C.
Roni.
AuAnalisis Sentimen Pengguna Media Sosial Twitter Terhadap Wabah Covid19 Dengan Metode Naive Bayes Classifier Dan Support Vector Machine,Ay INFOTECH J.
, vol.
8, no.
1, pp.
22Ae27, 2022, doi: 10.
31949/infotech.