ABSTRAK
Banyak komentar masyarakat di media sosial terutama twitter berkomentar mengenai
layanan e-commerce, salah satunya traveloka. Komentar-komentar yang dikirimkan
masyarakat tentang traveloka mengandung sentimen. Hasil analisis sentimen diharapkan
dapat memberikan gambaran terhadap kinerja traveloka yang harus diperbaiki atau
dipertahankan. Analisis sentimen pada penelitian ini menggunakan Machine Learning
dengan metode Naïve Bayes Classifier untuk mengklasifikasikan tweets menjadi dua
kelas yaitu kelas positif dan kelas negatif. Data yang digunakan berasal dari twitter
menggunakan Twitter API. Uji coba data dibagi menjadi dua yaitu uji coba
menggunakan data training (cross validation) dan uji coba menggunakan data baru hasil
sentimen manual oleh manusia. Visualisasi hasil dari klasifikasi tweets ditampilkan
dalam bentuk tabel data, grafik bar chart, grafik pie, wordcloud, dan akurasi berbentuk
website. Penelitian ini dibangun menggunakan bahasa pemrograman Python, visualisasi
antarmuka menggunakan Django Framework, HTML, dan CSS. Akurasi analisis
sentiment traveloka berdasarkan data training sebesar 94.13% sedangkan akurasi
berdasarkan data uji sebesar 84.61%.
Kata Kunci: Analisis Sentimen, Machine Learning, Naïve Bayes Classifier, Twitter,
Traveloka
ABSTRACT
Many public comments on social media, especially Twitter commented on e-commerce
services, one of which is Traveloka. The comments sent by the public about Traveloka
contain sentiment. The results of sentiment analysis are expected to provide an overview
of the performance of traveloka which must be improved or maintained. Sentiment
analysis in this study uses the Machine Learning method and the Naïve Bayes Classifier
method to classify tweets into two classes, namely positive and negative classes. The
data used comes from Twitter using the Twitter API. Trial data is divided into two
namely trials using training data (cross validation) and trials using new data from
manual sentiment by humans. Visualization of the results of the classification of tweets
will be displayed in the form of data tables, bar charts, pie charts, wordcloud, and
website accuracy. This research was built using the Python programming language, to
visualize the interface using Django Framework, HTML, and CSS. The accuracy of
traveloka sentiment analysis based on training data is 94.13% while the accuracy based
on test data is 84.61%.
Keyword: Analisys Sentiment, Machine Learning, Naïve Bayes Classifier, Twitter,
Traveloka.