NIM : 1103144063

Scores:
Nama : Fitri Febriyani S
The Background Reaserch
Referensi Problem Definitions:
And the previous reaserch : Methods
TUDI
LITERATUR
Maraknya pengguna media sosial salah satunya
TENTANG Membandingkan akurasi dari metode Naive Bayes
twitter yang digunakan masyarakat sebagai tempat Naive Bayes
PERBANDINGAN Classifier dengan Suport Vector Machine dengan
memberikan pendapat terhadap suatu objek yang Classifier &
METODE menggunakan data yang diambil melalui salah satu media
sedang menjadi perhatian mereka. Hal ini dapat Support Vector
UNTUK PROSES sosial yang menyediakan API (Application Programming
dimanfaatkan untuk melihat pendapat masyarakat Machine
ANALISIS Interface) yaitu Twitter
terhadap sosial, politik, kualitas layanan dll.
SENTIMEN DI
TWITTER
NALISIS
Dalam membuat klasifikasi analisis sentimen
SENTIMEN Melakukan seleksi fitur untuk mereduksi fitur-fitur yang
masih diperlukan klasifikasi secara manual karena
MENGGUNAKAN tidak relevan dalam proses klasifikasi oleh NBC dengan
pelatihan data yang berasal dari pelabelan manual, Naive Bayes
METODE NAVE menggunakan seleksi Fitur Chi Square
label (fitur) mengacu pada proses penambahan Classifier dengan
BAYES Dalam seleksi fitur Chi Square berdasarkan teori statistika, dua
deskripsi setiap data sesuai kategorinya. Dalam seleksi fitur Chi
CLASSIFIER peristiwa di antaranya adalah, kemunculan dari fitur dan
Square
proses pelabelan, pemilihan fitur digunakan dan
DENGAN kemunculan dari kategori, yang kemudian setiap nilai term
dilakukan dengan pemilihan fitur chi-square, untuk diurutkan dari yang tertinggi
SELEKSI FITUR
mengurangi gangguan (noise) pada klasifikasi.
CHI SQUARE
Bagaimana mengumpulkan sumber daya, integrasi dan
Real Time python dengan
Klasifikas data menggunakan Naive Bayes dan simulasi, membandingkan metode klasifikasi tradisional
Sentiment Analysis NLTK dan
meningkatkan akurasi klasifikasi dengan dengan metode klasifikasi Naive Bayes dengan
of Tweets Using python-twitter
menggunkan SentiWordNet menggunakan bantuan SentiWordNet, kemudian lingkup
Naive Bayes APIs
fitur, lampiran dan referensi yang disediakan

Survei ini berfokus pada analisis sentimen data

Sentiment Analysis twitter yang sangat membantu untuk menganalisis Memberikan sebuah survei dan analisis komparatif Naive Bayes,
of Twitter Data: A informasi pada tweets terhadap pendapat yang mengenai teknik penambangan opini yang ada seperti Max Entropy,
Survey of sangat tidak terstruktur, heterogen dan bersifat pembelajaran mesin dengan pendekatan ber basis leksikon dan Support
Techniques positif atau negatif, atau netral dalam beberapa bersama dengan metrik evaluasi. Vector Machine
kasus.
 Makalah ini membahas tantangan yang muncul dalam Natural Language
Terdapat beberapa masalah yang mendominasi proses Analisis Sentimen, tweet secara real-time dianggap Processing
SENTIMENT komunitas riset, yaitu klasifikasi sentimen, sebagai sumber data untuk analisis opini dan sentimen. NLTK, Nave
Bayes
ANALYSIS ON klasifikasi berbasis fitur, dan penanganan negasi. Menyediakan sebuah sistem otomatis interaktif yang
Classification &
TWITTER USING Metode yang tepat digunakan untuk memprediksi memprediksi sentimen dari review / tweets yang diposkan Twitter Application
STREAMING API polaritas sentimen, yang membantu memperbaiki masyarakat di media sosial menggunakan Hadoop, yang Programming
strategi pemasaran. dapat memproses sejumlah data yang besar. Interface

Deteksi Komentar Instagram API,

Banyaknya komentar spam di Instagram yang
Spam Bahasa Mendeteksi komentar spam dalam bahasa Indonesia preprocessing,
perlu mendapat perhatian khusus dan harus
Indonesia dengan menggunakan preprocessing (tokenization, stop TF-IDF &
dihapus. Penelitian ini mengambil komentar
Pada Instagram words removal, and stemming), pembobotan TF-IDF, dan metode Naive
Instagram dan membangun dataset dari tokoh
Menggunakan pembelajaran mesin dengan metode Naive Bayes. Bayes
masyarakat Indonesia yang memiliki lebih dari
Naive Bayes
satu juta pengikut.

ANALISIS Ada gerakan yang bertujuan baik ada juga gerakan

SENTIMEN dengan tujuan jahat yaitu menebar kebencian
Pada penelitian ini Analisis sentimen dilakukan untuk
HATESPEECH kepada orang lain. Biasanya gerakan di Twitter itu
melihat sebuah opini seseorang itu apakah termasuk
PADA TWITTER dilakukan dengan menggunakan tagar (#), Gerakan
HateSpeech atau tidak. HateSpeech bisa dimasukkan Naive Bayes
DENGAN terbaru ada tagar Hatespeech (#HateSpeech),
kategori opini negatif. Data yang digunakan adalah tweet Classifier (NBC);
METODE dilihat dari namanya sudah jelas yaitu ucapan
dalam bahasa Indonesia dengan tagar HateSpeech Support Vector
NAVE BAYES kebencian. Penelitian ini menganalisis tagar
(#HateSpeech), dengan jumlah dataset sebanyak 522 Machine (SVM)
CLASSIFIER DAN tesebut, benarkah semua yang diberi tagar itu
tweet yang didistribusikan secara merata menjadi dua
SUPPORT sentimennya kebencian.
sentimen HateSpeech dan GoodSpeech.
VECTOR
MACHINE

Algoritma klasifikasi yang dapat melakukan teks mining

Opininion mining juga disebut analisis sentimen
Komparasi Teknik
adalah riset komputasional dari opini, sentimen
Klasifikasi Teks
dan emosi yang diekspresikan secara tekstual.
Mining Pada
Dilakukan untuk melihat pendapat terhadap
Analisis Sentimen
sebuah masalah, atau untuk identifikasi
kecenderungan hal di pasar.
diantaranya Support Vector Machine (SVM), Nave
Bayessian classification (NBC) dan K-Nearest Neighbor
SVM, NBC &
(K-NN). Ketiga algoritma ini akan dikomparasi untuk
K-NN
mengetahui performa yang baik dalam hal akurasi untuk
dua dataset yang berbeda yaitu imdb review film dan
sentimen twitter.
A multiobjective Metode ansambel yang diusulkan didasarkan pada
weighted voting pemilihan klasifikasi statis yang melibatkan mayoritas
Mengembangkan paradigma skema pemungutan
ensemble classier kesalahan dalam pemberian suara serta algoritma evolusi
suara berbobot multioptimal berbasis optimasi, logistik
based on diferensial multiobjektif. Berdasarkan skema seleksi
untuk menetapkan nilai bobot yang sesuai pada Bayesian, nave
differential klasifikasi statis, metode ansambel yang diusulkan
kelas dan setiap kelas keluaran berdasarkan pada Bayes & Support
evolution menggabungkan regresi logistik Bayesian, nave Bayes,
kinerja prediksi algoritma klasifikasi, semuanya Vector Machine
algorithm for text analisis diskriminan linier, regresi logistik, dan Support
untuk meningkatkan kinerja prediktif klasifikasi
sentiment Vector Machine sebagai dasar pembelajaran, yang
classication kinerjanya dalam hal presisi
Peringkasan Penelitian ini bertujuan mengkombinasikan metode
Penggalian reaksi masyarakat di media sosial
Sentimen SentiStrength, Hybrid TF-IDF dan Cosine Similarity
merupakan upaya strategis untuk memperoleh
Esktraktif di untuk mengekstraksi ringkasan sentimen positif dan SentiStrength,
umpan balik, namun tidak mudah dilakukan.
Twitter negatif masyarakat terhadap topik selebriti di Twitter Hybrid TF-IDF
Pengguna membutuhkan waktu yang lama untuk
Menggunakan secara otomatis, dengan artis Agnes Monica sebagai studi dan Cosine
membaca ribuan tweet sekaligus memilah
Hybrid TF-IDF kasus. Metode SentiStrength digunakan untuk Similarity
sentimennya, sehingga dibutuhkan peringkasan
dan Cosine mendapatkan skor kekuatan sentimen dan mengklasifikasi
sentimen ekstraktif secara otomatis.
Similarity tweet ke dalam kelas positif, negatif dan netral.

Pada saat ini provider telekomunikasi dengan pengguna terbanyak dan

The Background jaringan terluas adalah Telkomsel. Penulis ingin menganalisis sentimen
And the previous reaserch : ataupun opini masyarakat Indonesia terhadap Telkomsel melalui media sosial
Twitter dan Instagram.
Data yang diambil secara acak melalui Twitter dan
Problem Instagram dengan beberapa kata kunci yang berhubungan
Identification Problem Definitions: dengan Telkomsel seperti simPATI, kartuHalo, KartuAs, Preprocessing,
simPATI LOOP dll. Kemudian melakukan klasifikasi TF-IDF & Naive
sentimen pada tiga sifat, yaitu positif, netral dan negatif Bayes Classifier
dengan menggunakan metode Naive Bayes Classifier dan
mencari hasil yang akurat dari data yang sudah didapat
pada Twitter dan Instagram.
The Karena Twitter dan Instagram merupakan media sosial yang populer pada saat ini. Hal ini dapat dimanfaatkan sebagai
reasons sumber informasi untuk sebuah perusahaan atau organisasi untuk melihat opini konsumen atau masyarakat terhadap
(Why): kualitas layanan, prediksi penjualan, sosial, politik, strategi perusahaan dan pemantauan terhadap sebuah produk.
Objective Melakukan analisis sentimen berbentuk teks berbahasa Indonesia dengan menggunkan data dari dua sumber, yaitu
Important Twitter dan komentar pada Instagram dengan klasifikasi sentimen pada tiga sifat, yaitu positif, netral dan negatif.
Problems: Penelitian ini menggunakan metode Naive Bayes Classifier karena algoritma ini menunjukkan kinerja prediktif yang
tinggi serta mencari hasil yang akurat dari data yang sudah didapat pada Twitter dan Instagram.
Research Target dari penelitian ini adalah dapat menghasilkan keakurasian data menggunakan metode Naive Bayes Classifier
targets: dengan data yang sudah dihasilkan dari klasifikasi sentimen tentang Telkomsel.
The one
who will Masyarakat : dapat mengetahui seberapa puas masyarakat Indonesia dalam menggunakan Telkomsel melalui opini-
be opini yang mereka berikan terhadap Telkomsel..
influenced:
The one
will obtain
Pihak Telkomsel : Dapat melihat opini konsumen atau masyarakat terhadap kualitas layanan yang mereka berikan
the
research:
The
change
after the
research
has run: