' Volume 4 Nomar.2, Oktober 2013 RNAI INSTEK P-ISSN : 2541-1178, E-ISSN : 2581-1711 ALO AWAFaVEB IAD) Ojs rtp journal uin-ataukin 2c idrdex pho nstek Andex STNG Email: instek@uin-alauddin acid KLASIFIKASI SENTIMEN MASYARAKAT TERHADAP KENAIKAN HARGA TIKET PESAWAT PADA TWITTER MENGGUNAKAN NAIVE BAYES AGUSTINA MARDEKA RAYA’, FITRI NURBAITI’, DETIN SOFIA® Program Studi Magister Ilmu Komputer, Falcultas Teknologi Informasi, Universitas Budi Luhur, J. Ciledug Raya, RT.10/RW 2, Petukangan Utara, Kec. Pesanggrahan, Kota Jakarta Selatan, DK Jakarta 12260 e-mail - merdekaraya am@gmail.com, nurbaiti288@gmail. com, sofia detin@gmail com, ABSTRAK Aalisa sentiment atau opinion mining merupaken teknik yang digunalan untuic mengolah data yang didapatican dari media sosial. Kenailran harga tilket pesawat terjadi setelah adanya Kecelakaan dari salah satu maskapai domestik Imbas dan kecelakaan tersebut menyebakan semua tiket maskapai penerbangan Indonesia mengalami kenaiken. Banyalc masyarakat yang menyayangkan dengan kenaikan tiket pesawat tersebut. Penelitian ini akan memanfaatian data tweet pada twitter untuk menlihat persepsi masyarakat terhadap kenaikan hharga tiket pesawat dengan menggunakan metode naive bayes dan KNN dengan ‘mengklasifikasikan sentimen sentiment positif, negative dan netral. Tingkat akurasi klasifilasi menggunalcan naive bayes sebesar 90.70% sedangkan tingksat akurasi dengan metode KNN sebesar 62.79% Kata Kwoct : Analisa Sentimen, Klasifikasi, Naive bayes, Tiket Pesawat LPENDAHULUAN Teknologi informasi saat ini tidak bisa lepas dari kehidupan sehar-hari, Banyale kemudahan yeng dibeniken untuk baile untule mencari informasi, berkomunilas: atau kemudahana lainnya. Pada era telmologi informasi saat ini, banyalc informasi yang mengalir melalui jaringan, Web dengan Berbagai konten meliputi informasi objetif maupun opini subjektif, Analisa sentiment merupakan bagian dari text mining Text mining merupakan proses pengambilan informasi data tekstual yang memilile kvalitas tinggi serta dapat mengetahut permasalahan dalam teks dari sebuah topik tertentu. Media sosial twitter meyedialan layanan ‘tweet dimana user dapat menulis semua keluh kesah mereka atau pendapat mereka mengenai masalah dan topik tertentu. Pendapat tersebut merupakan pandangan positif maupun negative user tethadap suatu topic Pendapat-pendapat user pada twitter tersebut dapat dijadikan penelitian untuk melihat informasi ‘Menurut (Adisasmita, 2010), Bangsa yang maju adalah bangsa yang memilila sistem. transformasi yang berkualitas. Transformasi yang diperlukan untuk menunjang sektor lain untule berkembang guna mendorong perkembangan daerah tertinggal 239' Volume 4 Nomar.2, Oktober 2013 ll NEV INSTEK P-ISSN : 2541-1178, E-ISSN : 2581-1711 ALO AWAFaVEB IAD) Ojs rtp journal uin-ataukin 2c idrdex pho nstek Andex Email: instek @uin-alauddin ac id ETS Transportasi udara atau pesawat merupakan transportasi yang dapat menempuh jarale yang jauh dengan waktu yang relative singkat. Karena alasan efisiensi waktu tersebut tingkat penggunaan transportasi udara di Indonesia mengalami peningkatan setiap tahunnya, Selama Januari-Desember 2016 jumlah penumpang domestik mencapai 80,4 juta orangatau naik 16,97 persen dan jumlah penumpang intemasional mencapai 14,8 juta orang atau nail 8,16 persen dibanding periode yang sama tahun 2015. (bps goid) November 2018 hingga juni 2019 harga tiket pesawat nail rat-rata sebesar 40% hingga 120%. Kenaikan harga tiket pesawat terjadi pasca Kecelakaan salah satu maskapai penerbangan domestic Banyak masyarakat yang mengeluh atas nailnya harga tiket pesawat. Penelitian ini bertujuan untule melihat persepst masyaralcat tehadap kenailcan harga tiket pesawat melalui media sosial twitter. Hasil peneltian yang dilalulan oleh Fauziah A fshoh (2017) berjudul analisa sentimen menggunalan naive bayes untuk melihat persepsi masyarakat terhadap Keanikan harga jual rokok pada media sosial twitter, menghasilkan nilai precision 53% pada data opini negatif dan nilai recall 57% pada data opini negatif Untuk nilai alcurasi mengguaken Lexion Based menghasilkan nilai persentase sebesar 81% pada data opini netral. Pengujuan menggunakan metode naive bayes classifier nilai precision sebesar 76% dengan opini positif, dan nilai recall 93% dengan opini positif, dengan nilai accuracy saat pengujian sebesar 88% dengan opini netral. Dapat dilihat bahwa kinerja naive bayes classifier dalam melalcukan klasifikasi terbuleti lebih baile dari pada lexion based. Dengan hasil presentasi tweet 5% netral, 53% positif dan 41% negatif Penelitian yang berjudul sistem Klasifikasi opini pengguna maskapai penerbangan di Indonesia pada jejaring sosial twitter menggunaken metode KNearest Neighbour Data sampling pada sistem ini menggunakan 3.324 opinion tweet yang diproses dengan algoritma WIDF dalam pembobotan dan metode KNearest Neighbour dalam tahap Klasifikasi opini. Hasil pengujian memperoleh range 3 pada algoritma Cosine Similarity menjadi nilai akurasi yang tinggi dengan nilai alourasi sebesar 86.67% opini positif dan 93.34% pada opini negative Ill. METODOLOGI PENELTIAN ‘Tahapan metodologi penelitian pada penelitian ini adalah sebagai berilcut dataset Data Classified Naive Model | | Preprocessin Bayes accuracy Gambar 1. Model yang diusullan 240Volume 4 Nomar. 2, OMtober 2018 lI RNAL INSTEK P-ISSN : 2541-1179, E-ISSN : 2581-1711 Ojs rtp journal uin-ataukin 2c idrdex pho nstek Andex Email: instek @uin-alauddin ac id 1. Dataset Data yang digunakan pada penelitian ini diambil dani tweets pengguna twitter dangan menggunakan API twitter. 2. Data Preprocessing Data yang didapat dari twitter di lalcukan preprocessing untuk menghilangkan kata-teata yang dapat menggangu proses Klasifikasi 3. Classified Naive Bayes ‘Metode yang digunalan adalah metode Naive bayes untuk pengkdasifikasi data NNaive ‘ayes dipilih karena sangat sederhana, efisien dan merupakan teknike machine learning yang popular untuk kiasifitasi teks. Dan memiliki performa yang bail masyaraket. Opini masyarakcat dapat dilihat dari katakata yang digunaken dan dani emoticon yang dicantumkan pada tweet tersebut I HASILDANPEMBAHASAN A. Data Set ‘Tweet yang diambil dibatasi dani bulan November 2018 sampai Juni 2019 dimana pada range bulan tersebut merupalan puncak kenaikan harga tiket pesawat. Data tweets yang didapatkan dari twitter dengan menggunaken API twitter adalah sebanyak 651 tweets B. Data Preprocessing Data preprocessing merupaken tahap awal untuk megolah data teks menjadi analisa sentimen. Pada penelitian ini preprocessing yang dilakukan adalah 1. Stopword, yaitu menghilangkan kata tertentu yang tidalc dipertukan dalam proses Klasifikasi 2. Menghapus URL, 3. Melakcukan Regexp, yeitu menghilanglan lralter selain huruf dan angia © Data sebelum proses Preprocessing Data yang belum dilalnkan proses preprocessing masih terdapat vioise yang dapat mengganggu proses klasifikasi 2an' Volume 4 Nomar.2, Oktober 2013 ll NEV INSTEK P-ISSN : 2541-1178, E-ISSN : 2581-1711 sep IR Ojs rtp journal uin-ataukin 2c idrdex pho nstek Andex " Email: instek @uin-alauddin ac id D. Data setelah proses preprocessing Data yang sudah dilalnukan proses preprocessing sudah siap untule di lakukan Klasifikasi E. Classified Naive Bayes Klasifikasi adalah proses untuk menentukan sebuah kalimat sebagai anggota kelas positif, negative atau Kelas netral. ini menggunalcan data latih 90 tweets dan data uji sebanyak 45 tweet. Dani tweet tersebut dapat dilihat berbagai opini 1) Klasiftkast tweet profiler pada data positif Gambar 2. Klesifikes tweet profiler pada data postif 2) Klasiftkast tweet profiler pada data negatif Gamber 3. Klasifikesi tweet profiler pada date negetif| 3) Klasiftkast tweet profiler pada data netral Gambar 4. Klesifikesi beet profiler date netral 242' Volume 4 Nomar.2, Oktober 2013 NEV INSTEK P-ISSN : 2541-1178, E-ISSN : 2581-1711 ALO AWAFaVEB IAD) Ojs rtp journal uin-ataukin 2c idrdex pho nstek Andex STTeeTg TG Email: instek@uin-alauddin acid 4) Hastl Presentase Tweet Bedasarkan data tweet, penelitian yang dilaknukan daapat diletali bahwa nilai sentiment ‘yang paling banyakterbentuk adalah sentiment neutral sebesar 62%. Nilai sentiment negative sebesar 22%. Sentiment negative dapat diartikan bahwa masyarakat tidak menyetujui dengan kenaikan harga tiket pesawat. Dan sisanya 16% untuk sentiment positif. yang artinya masyarakat tidak mempermasalahkan dengan adanya kenaikan harga tiket pesawat. postive mnegative sm neutral Diagram 1. Hasil Analisa Sentimen. F. Evaluast pengujtan Pengujian pada penelitian ini menggunalcan Confusion matriks untuk menunjukkan seberapa baik model yang terbentuk. Accuracy menggunaken algoritma Naive bayes sebesar 90,70%. ‘Yang artinya dengan menggunalan algoritma Naive bayes tingkat alcurasi lebih besar dibandinglan menggunakan K-Nearest Naigbour yang digunaken pada pendlitian sebelumnya Aleurasi K-Nearest Naigbour hanya sebesar 62.79%, 1) Hastl data tatih dengan algoritma Naive Bayes Gambar 5. Data latih dengan algoritma Naive bayes 243' Volume 4 Nomar.2, Oktober 2013 ll NEV INSTEK P-ISSN : 2541-1178, E-ISSN : 2581-1711 ALO AWAFaVEB IAD) Ojs rtp journal uin-ataukin 2c idrdex pho nstek Andex Email: instek @uin-alauddin ac id Gambar 6, Date wjidengen algoritma Naive bayes 3) Hastl data lath dengan algorttma K-Nearest Neigbour Gambar 7. Data latih dengan algoritma K-Nearest Neighour 4) Hastl data tatth dengan algoritma K-Nearest Neigbour Gambar 8. Data uji dengan algoritma k-Nearest Neigbour 5) Pengustan model dengan confusion matrtks ‘Tabel 1, Pesbandingan Algorita Naive Bayes dengan Algoritma K-Nearest Neigbow. Sentimen | Analisis [Naive Bayes | KNN Positive [7 3 0 Negative [10 7 0 Neutral [28 3 ca Accuracy 90.70% 02.79% 24a' Volume 4 Nomar.2, Oktober 2013 ll NEV INSTEK P-ISSN : 2541-1178, E-ISSN : 2581-1711 sep IR Ojs rtp journal uin-ataukin 2c idrdex pho nstek Andex re Email: instek @uin-alauddin ac id 1VKESIMPULAN Berdasarkan hasil analisa tersebut, dapat disimpulkan bahwa Tweet kenaikan harga tiket pesawat dapat di Klasifillasi dengan baik ke dalam bentule positive dan negative. 62% masyarakat menganggap kenaikan harga tiket pesawat sebagai hal yang biasa saja, 16% ‘memberikan tanggapan positive dan 22% memberikan tanggapa negative Alcurasi data latih Naive Bayes yaitu sebesar 100% dan K- Nearest Neighbor Classtjer sebesar 73,33 % Untuk akurast data wit Naive Bayes yaitu sebesar 90.70% dan K- Nearest Neighbor Classifér sebesar 62,79 % Yang artiyya algorttma naive bayes menghastikan aurast yang lebth tinggi dt bandingkan KNN. DAFTAR PUSTAKA Lee, M. (2010). M ULTICLASS $ ENTIMENT A NALYSIS WITH RESTAURANT REVEWS. Ye, Q, Zhang, Z, & Law, R. (2009). Expert Systems with Applications Sentiment classification of online reviews to travel destinations by supervised machine leaming approaches. Etpert Systems With Applications, 36(3), 6527-6535. K. Elissa, “Title of paper if known,” unpublished. Suprapto, Aji (2017) Sistem Klasifilasi Opini Pengguna Maskapai Penerbangan di Indonesia Pda Jejaring Sosial Twitter menggunakan Metode K-Nearest Neighbour Bps.goid Afshoh Fauziah (2017) Analisa Sentimen menggunakan Naive Bayes unutk meliohat persepsi Masyarakat Terhadap Kenaikan Harga Jual Rokok Pada Media Sosial Twitter. Sknpsi Informatika, Universitas Surakerta Muhammadiyeh, witten, 1.H (2005). Text Mining, Practical Handbook of internet computing, edited by M.P. Singh, pp. 14-1 -14-22. Chapman & Hall/CRC Press, Boca Raton, Florida. 245;' Volume 4 Nomar.2, Oktober 2013 ll N VI INSTEK P-ISSN : 2541-1179, E-ISSN : 2581-1711 SATOLERUARR CEN | js tp:jouralin-atauckin 2c idrdex oho/nstk nex reat Email: instek@uin-alauddin ac id