Analisis Sentimen penggunaan Mypertamina untuk Pembelian BBM Bersubsidi mengggunakan Algoritma Naive Bayes

Denada Fatimah Zahra

Abstract


Penelitian ini bertujuan untuk menganalisis sentimen penggunaan aplikasi Mypertamina dalam pembelian bahan bakar minyak (BBM) bersubsidi menggunakan algoritma Naive Bayes. Penelitian ini melibatkan tahap pre-processing data, seperti full preprocessing dan penghilangan stopword, serta pengujian akurasi dengan variasi pembagian data latih dan data uji. Hasil penelitian menunjukkan bahwa dengan melakukan full preprocessing pada data dan menggunakan 70 persen data latih, model klasifikasi mencapai akurasi sebesar 85%. Penggunaan 80 persen data latih meningkatkan akurasi menjadi 87 persen, sedangkan penggunaan 90 persen data latih menghasilkan akurasi sebesar 89  persen. Hal ini menunjukkan bahwa semakin banyak data latih yang digunakan, semakin baik performa model klasifikasi. Penghilangan stopword juga berdampak signifikan terhadap akurasi model. Tanpa penghilangan stopword, akurasi model dengan pembagian data 70 persen, 80 persen, dan 90 persen adalah 80 persen, 82 persen, dan 84 persen secara berturut-turut. Meskipun akurasi lebih rendah dibandingkan dengan full preprocessing, model tetap memberikan prediksi yang cukup baik. Berdasarkan hasil pengujian tersebut, dapat disimpulkan bahwa penerapan full preprocessing dengan lebih banyak data latih cenderung menghasilkan kinerja model yang lebih baik. Namun, penghilangan stopword juga memberikan kontribusi signifikan dalam meningkatkan akurasi. Oleh karena itu, dalam pengembangan model klasifikasi teks, pre-processing yang komprehensif dan penghilangan stopword yang tepat perlu dipertimbangkan sesuai dengan karakteristik data dan kebutuhan analisis. Dalam pengujian klasifikasi menggunakan metode Naïve Bayes Classifier, pembagian data latih dan data uji juga berpengaruh. Penggunaan 70 persen data latih menghasilkan akurasi 85  persen, sedangkan penggunaan 80  persen dan 90 persen data latih menghasilkan akurasi 87  persen dan 89 persen secara berturut-turut. Semakin banyak data latih yang digunakan, semakin baik performa model klasifikasi Naïve Bayes Classifier. Dalam kesimpulan akhir, proporsi 90% data latih memberikan performa terbaik dalam mengklasifikasikan data uji dengan akurasi tertinggi. Namun, penggunaan data uji yang lebih kecil dapat menyebabkan variasi hasil yang lebih tinggi. Oleh karena itu, metode validasi silang atau pengujian dengan lebih banyak fold dapat memberikan informasi yang lebih komprehensif tentang performa model klasifikasi.


Keywords


BBM; MyPertamina; Naïve Bayes; Sentimen

Full Text:

PDF

References


J. S. Meliala, “Upaya Optimalisasi Penghematan Subsidi Bahan Bakar Minyak (BBM) Agar Tepat Sasaran,” Binus Business Review, vol. 5, no. 1, p. 333, May 2014, doi: 10.21512/bbr.v5i1.1256.

Callysta Qabil et al., “Sinergi Tarik Ulur Kenaikan Bbm, Kebijakan Stimulus Perpajakan Dan Dampak Ekonomi,” Jatayu, vol. 5, no. 3, pp. 469–489, Dec. 2022, doi: 10.23887/jatayu.v5i3.55953.

Syamsir, A. Lutfi, A. A. Fitriani, I. Ramadani, N. A. Putri, And Y. S. Nelsi, “Efekvitas Penggunaan Aplikasi My Pertamina Di Era Kenaikan Bbm Bersubsidi,” Prosiding Seminar Nasional Pendidikan, Bahasa, Sastra, Seni, dan Budaya (Mateandrau), vol. 1, no. 2, pp. 244–253, Nov. 2022.

A. Efendi, A. Y. Karunian, and N. L. P. C. Arsani, “Inkonsistensi Kebijakan Energi Di Indonesia: Kaitannya Terhadap Pemberlakuan Standar Emisi Gas Buang Euro 4,” j.huk.lingkung.indonesia., vol. 5, no. 1, pp. 1–23, Jan. 2019, doi: 10.38011/jhli.v5i1.72.

A. Mardiansyah, “Pengaruh Media Massa Terhadap Putusan Hakim Dalam Perkara Tindak Pidana Korupsi”.

J. Indrawan, Efriza, and A. Ilmar, “Kehadiran Media Baru (New Media) Dalam Proses Komunikasi Politik,” Jurnal Ilmiah Fakultas Ilmu Komunikasi, vol. 8, no. 1, pp. 1–17, Jun. 2020, doi: 10.25299/medium.2020.vol8(1).4820.

A. Nurzahputra, “Analisis Sentimen pada Opini Mahasiswa Menggunakan,” 2016.

G. Hirst, “Association for Computational Linguistics,” in Encyclopedia of Language & Linguistics, Elsevier, 2006, p. 559. doi: 10.1016/B0-08-044854-2/05234-2.

S. B. Bhonde and J. R. Prasad, “Sentiment Analysis - Methods, Applications & Challenges,” vol. 6, no. 6, 2015.

R. A. Saputra and S. Waluyo, “Penerapan Algoritma Naive Bayes Dalam Analisis Kenaikan Bahan Bakar Minyak Pada Twitter,” 2022.

S. Mujahidin, B. Prasetio, and M. C. C. Utomo, “Implementasi Analisis Sentimen Masyarakat Mengenai Kenaikan Harga BBM Pada Komentar Youtube Dengan Metode Gaussian naïve bayes,” Voteteknika, vol. 10, no. 3, p. 17, Sep. 2022, doi: 10.24036/voteteknika.v10i3.118299.

Andrian, “Analisis Sentimen Dan Klasifikasi Terhadap Naiknya Harga BBM Berdasarkan Respon Pengguna Media Sosial Facebook Di Indonesia. S1 Sistem Informasi thesis, STMIK Widya Cipta Dharma.,” 2022.

S. Samsir, A. Ambiyar, U. Verawardina, F. Edi, and R. Watrianthos, “Analisis Sentimen Pembelajaran Daring Pada Twitter di Masa Pandemi COVID-19 Menggunakan Metode Naïve Bayes,” mib, vol. 5, no. 1, p. 157, Jan. 2021, doi: 10.30865/mib.v5i1.2580.

T. Krisdiyanto, “Analisis Sentimen Opini Masyarakat Indonesia Terhadap Kebijakan PPKM pada Media Sosial Twitter Menggunakan Naïve Bayes Clasifiers,” CoreIT, vol. 7, no. 1, p. 32, Jul. 2021, doi: 10.24014/coreit.v7i1.12945.

K. M. Carley, M. Malik, M. Kowalchuck, J. Pfeffer, and P. Landwehr, “Twitter Usage in Indonesia,” SSRN Journal, 2015, doi: 10.2139/ssrn.2720332.

Syarli and A. A. Muin, “Metode Naive Bayes Untuk Prediksi Kelulusan (Studi Kasus: Data Mahasiswa Baru Perguruan Tinggi),” 2016.

Y. Asri, W. N. Suliyanti, D. Kuswardani, and M. Fajri, “Pelabelan Otomatis Lexicon Vader dan Klasifikasi Naive Bayes dalam menganalisis sentimen data ulasan PLN Mobile: Analisis Sentimen,” petir, vol. 15, no. 2, pp. 264–275, Nov. 2022, doi: 10.33322/petir.v15i2.1733.

H. K. Saputra, “Analisis Data Mining Untuk Pemetaan Mahasiswa Yang Membutuhkan Bimbingan Dan Konseling Menggunakan Algoritma Naïve Bayes Classifier,” JTIP, vol. 11, no. 1, pp. 14–26, Apr. 2018, doi: 10.24036/tip.v11i1.104.

V. O. Tama, Y. Sibaroni, and Adiwijaya, “Labeling Analysis in the Classification of Product Review Sentiments by using Multinomial Naive Bayes Algorithm,” J. Phys.: Conf. Ser., vol. 1192, p. 012036, Mar. 2019, doi: 10.1088/1742-6596/1192/1/012036.

P. Chandrasekar and K. Qian, “The Impact of Data Preprocessing on the Performance of a Naive Bayes Classifier,” in 2016 IEEE 40th Annual Computer Software and Applications Conference (COMPSAC), Atlanta, GA, USA: IEEE, Jun. 2016, pp. 618–619. doi: 10.1109/COMPSAC.2016.205.

A. Deolika, K. Kusrini, and E. T. Luthfi, “Analisis Pembobotan Kata Pada Klasifikasi Text Mining,” JurTI, vol. 3, no. 2, p. 179, Dec. 2019, doi: 10.36294/jurti.v3i2.1077.

S. Kusumadewi, “KLASIFIKASI STATUS GIZI MENGGUNAKAN NAIVE BAYESIAN CLASSIFICATION,” CommIT (Communication and Information Technology) Journal, vol. 3, no. 1, p. 6, May 2009, doi: 10.21512/commit.v3i1.506.

A. Indriani, “Klasifikasi Data Forum dengan menggunakan Metode Naïve Bayes Classifier,” 2014.

B. Gunawan, H. S. Pratiwi, and E. E. Pratama, “Sistem Analisis Sentimen pada Ulasan Produk Menggunakan Metode Naive Bayes,” JEPIN, vol. 4, no. 2, p. 113, Dec. 2018, doi: 10.26418/jp.v4i2.27526.

M. I. Fikri, T. S. Sabrila, and Y. Azhar, “Perbandingan Metode Naïve Bayes dan Support Vector Machine pada Analisis Sentimen Twitter,” SMATIKA, vol. 10, no. 02, pp. 71–76, Dec. 2020, doi: 10.32664/smatika.v10i02.455.

A. Rahman and A. Doewes, “Online News Classification Using Multinomial Naive Bayes,” vol. 6, no. 1, 2017.

A. D. Herlambang and S. H. Wijoyo, “Algoritma Naive Bayes untuk Klasifikasi Sumber Belajar Berbasis Teks pada Mata Pelajaran Produktif di SMK Rumpun Teknologi Informasi dan Komunikasi,” JTIIK, vol. 6, no. 4, p. 430, Jul. 2019, doi: 10.25126/jtiik.2019641323.

H. Annur, “Klasifikasi Masyarakat Miskin Menggunakan Metode Naive Bayes,” Ilk. J. Ilm., vol. 10, no. 2, pp. 160–165, Aug. 2018, doi: 10.33096/ilkom.v10i2.303.160-165.

A. V. Sudiantoro and E. Zuliarso, “Analisis Sentimen Twitter Menggunakan Text Mining Dengan Algoritma Naïve Bayes Classifier,” 2018.




DOI: http://dx.doi.org/10.36448/jsit.v14i1.3098

Article Metrics

Abstract view : 3 times
PDF - 6 times

Refbacks

  • There are currently no refbacks.


About the JournalJournal PoliciesAuthor Information

Explore: Jurnal Sistem Informasi dan Telematika (Telekomunikasi, Multimedia dan Informatika)
e-ISSN: 2686-181X
Website: http://jurnal.ubl.ac.id/index.php/explore
Email: explore@ubl.ac.id
Published by: Pusat Studi Teknologi Informasi, Fakultas Ilmu Komputer, Universitas Bandar Lampung
Office: Jalan Zainal Abidin Pagar Alam No 89, Gedong Meneng, Bandar Lampung, Indonesia

This work is licensed under a Creative Commons Attribution 4.0 International License
Technical Support by:  RYE Education Hub