Analisis Sentimen Gofood Berdasarkan Twi

JURNAL MEDIA INFORMATIKA BUDIDARMA
Volume 6, Nomor 1, Januari 2022, Page 542-550

ISSN 2614-5278 (media cetak), ISSN 2548-8368 (media online)
Available Online at https://ejurnal.stmik-budidarma.ac.id/index.php/mib
DOI 10.30865/mib.v6i1.3530
Analisis Sentimen Gofood Berdasarkan Twitter Menggunakan Metode

Naïve Bayes dan Support Vector Machine
Melati Indah Petiwi, Agung Triayudi*, Ira Diana Sholihati
Fakultas Teknologi Komunikasi dan Informatika, Sistem Informasi, Universitas Nasional, Jakarta, Indonesia
Email: 1melatiindahpetiwi@gmail.com, 2,*agungtriayudi@civitas.unas.ac.id, 3,*iradiana2803@gmail.com
Email Penulis Korespondensi: agungtriayudi@civitas.unas.ac.id
Abstrak−Pandemi Covid-19 di Indonesia berdampak di setiap sektor kehidupan, termasuk perekonomian. Pemerintah
menerapkan pembatasan sosial yang membuat manusia harus melakukan aktivitas di dalam rumah. Karena hal tersebut manusia
memilih melakukan segala hal dengan digital termasuk pesan makanan. Dengan meningkatnya minat masyarakat pada pesan
makanan secara online ini, menjadikan pendapatan salah satu aplikasi pesan makanan yaitu Gojek (Gofood) mengalami
peningkatan. Meskipun demikian Gofood banyak mendapatkan pro dan kontra di tengah masyarakat. Dalam hal ini masyarakat
banyak memberikan pendapat mereka menggunakan media sosial terutama twitter. Tujuan Penelitian ini adalah untuk
menganalisa opini masyarakat terhadap kinerja Gojek (Gofood) di Indonesia. Adapun pengelompokkannya dibagi menjadi tiga
kelas yaitu kelas positif, negatif dan netral yang diuji menggunakan metode Naïve Bayes dan SVM dan membandingkan dua
metode tersebut. Analisis sentimen masyarakat mengenai Gofood pada twitter menghasilkan 92,8% bernilai netral, 5,2%
bernilai positif dan 2,0% bernilai negatif. Perbandingan hasil akurasinya, metode Support Vector Machine akurasinya lebih
besar dari metode Naïve Bayes, dengan nilai akurasi Support Vector Machine sebesar 83% dan 98,5% sedangkan nilai akurasi
Naïve Bayes sebesar 74,6% dan 91,5%.
Kata Kunci: Covid-19; Gofood; Twitter; Naïve Bayes; Support Vector Machine
Abstract−The Covid-19 pandemic in Indonesia has an impact on every sector of life, including the economy. The government
implements social activities that make people have to carry out activities at home. Because of this, humans choose to do
everything digitally, including ordering food. With the application of public interest in ordering food online, the income of one
of the food orders, namely Gojek (Gofood) has increased. However, Gofood has many pros and cons in the community. In this
case, many people give their opinion about the use of social media, especially twitter. The purpose of this study was to analyze
public opinion on the performance of Gojek (Gofood) in Indonesia. The grouping into three classes, namely positive, negative
and neutral classes were tested using the Naïve Bayes and SVM methods and compared the two methods. The analysis of
public sentiment regarding Gofood on Twitter resulted in 92.8% worthy neutral, 5.2% worthy positive and 2.0% worthy
negative. Comparing the accuracy results, the Support Vector Machine method has greater accuracy than the Naïve Bayes
method, with the Support Vector Machine accuracy values of 83% and 98.5%, while the Nave Bayes accuracy values are 74.6%
and 91.5% respectively.
Keywords: Covid-19; Gofood, Twitter; Naïve Bayes; Support Vector Machine
1. PENDAHULUAN
Hampir semua negara di dunia termasuk Indonesia, saat ini sedang menghadapi kesulitan akibat pandemi Covid-
19. Covid-19 atau Penyakit Coronavirus 2019 adalah infeksi menular yang disebabkan oleh virus novel
coronavirus. Penyakit ini membuat seluruh dunia menjadi sangat waspada karena penyebarannya yang cepat. Oleh
karena itu, banyak negara melakukan karantina wilayah dan pembatasan seluruh kegiatan yang ada di negaranya
masing-masing sebagai upaya pengendalian penyebaran virus Covid-19 [1][2][3].
Di Indonesia sendiri, pemerintah telah mengeluarkan kebijakan karantina wilayah dan pembatasan sosial
terhadap seluruh kegiatan manusia sejak bulan Maret 2020. Sehingga berdampak pada pola hidup masyarakat yang
berubah, dimana aktivitas masyarakat yang tadinya memesan makanan secara langsung, beralih menggunakan
media komunikasi digital. Oleh karena itu layanan food delivery menjadi pilihan dalam menghadapi pandemi
Covid-19, karena dapat membuat seseorang bisa menikmati makanan dari berbagai restaurant favoritnya. Selain
itu juga membuat seseorang dapat menggunakan waktunya lebih baik lagi karena tidak perlu membuang waktu di
perjalanan[1][3].
Dengan pembatasan sosial di Indonesia menjadikan layanan food delivery pada masa pandemi Covid-19
berkembang dengan pesat. Melalui riset yang dilakukan oleh (Hastuti, 2019) layanan pesan antar makanan yang
paling banyak dicari adalah Gofood, yang diambil dari responden yang memiliki lebih dari dua aplikasi pesan
antar makanan [4]. Ini diperkuat lagi dengan riset yang dilakukan lembaga survei CLSA yang dinyatakan pada
tanggal 24 Februari 2021, mengatakan bahwa mayoritas 35% masyarakat lebih memilih menggunakan Gofood
dan sebesar 20% memilih aplikasi sejenisnya [5].
Adapun strategi yang dilakukan oleh Gofood yaitu dengan memberikan penawaran yang mengguntungkan
kepada konsumen sehingga dapat meningkatkan minat konsumen terhadap Gofood untuk berbelanja[1][4].
Perkembangan Gofood yang meningkat pesat menghasilkan beberapa pendapat masyarakat di berbagai platfrom
media sosial. Media sosial dijadikan oleh masyarakat untu berbagi perasaan mengenai apapun yang mereka
rasakan. Sehingga pro dan kontra mengenai Gofood dapat dijumpai dengan cepat dan akurat [6].
Twitter merupakan salah satu media sosial yang paling banyak digunakan oleh masyarakat umum untuk
berbagi informasi baik hal positif maupun negatif tentang informasi yang sedang diakses. Analisis sentimen suatu
Melati Indah Petiwi, Copyright © 2022, MIB, Page 542

Submitted: 21/12/2021; Accepted: 24/01/2022; Published: 25/01/2022
DOI 10.30865/mib.v6i1.3530
tahapan mengumpulkan pendapat masyarakat terhadapa suatu hal seperti isu pada sosial media berbasis web.
berbagi yang Sehingga Ini menjadi acuan untuk peneliti dalam melakukan analisis tentang opini masyarakat
mengenai layanan Gofood di media sosial twitter [7].
Metode yang digunakan untuk mengklasifikasi pengujian ini yaitu Naïve Bayes dan Support Vector
Machine. Naïve bayes merupakan metode yang paling populer karena kemudahan penggunaannya. Metode Naïve
Bayes memiliki kemampuan untuk memenuhi persyaratan diberbagai domain yang berbeda. Sedangkan
keunggulan dari metode Support Vector Machine dapat mengidentifikasi hyperplane yang berbeda, yang
meningkatkan margin antara dua kelas yang berbeda. Metode Support Vector Machine juga mempunyai
kekurangan yaitu masalah pemilihan fitur yang tepat [3]. Analisis sentimen merupakan kegiatan mengelompokkan
polaritas dari sebuah kalimat serta dapat menentukan apakah kalimat atau pendapat yang dinyatakan tersebut
bersifat positif, negatif atau netral [7].
Penelitian sebelumnya oleh Ratino tentang analisis sentimen informasi Covid-19 dari setiap komentar di
Instagram menggunakan metode Support Vector Machine dan Naïve Bayes dengan Particle Swarm Optimization
yang terbukti meningkatkan nilai akurasi. Hasil akurasi dari metode Naïve Bayes (PSO) adalah 79,07% dan AUC
0,729, sedangkan metode Support Vector Machine (PSO) adalah 81,16% dan AUC 0,903, sehingga perbedaan
akurasi mencapai 2,09%. Metode SVM dengan PSO atau tidak, selalu mendapatkan nilai akurasi yang lebih tinggi
dan akurat [3].
Penelitian yang dilakukan oleh M. Wino Adi Putra dengan topik analisis sentimen dompet elektronik pada
media sosial twitter menggunakan metode Naïve Bayes Classifier. Hasil penelitian menyatakan bahwa dompet
elektronik GoPay mendapatkan nilai positif yang tinggi dari pengguna twitter dengan 46,67%, Dana 37,50% dan
OVO 16,67%. Sedangkan nilai negatif paling tinggi yaitu OVO 63,33% diikuti oleh GoPay 53,33% dan paling
kecil adalah Dana 30,00%. Sehingga penelitian merekomendasi pada masyarakat untuk menggunakan GoPay
sebagai pilihan dompet elektronik [6].
Penelitian lainnya yang dilakukan oleh Enos Dwianto dengan topik analisis sentimen transportasi online
dengan metode Naïve Bayes dan Support Vector Machine. Hasil yang didapatkan adalah GrabId menggunakan
SVM menghasilkan class precision 66.57%, class recall 57.14%, Accuracy 84.08%, sedangkan GojekIndonesia
dengan metode SVM menghasilkan yaitu class precision 54.78%, class recall 52.46%, Accuracy 69.50%.
Tujuannya adalah untuk mengetahui tingkat kepuasan pengguna yang dapat menjadi acuan bagi perusahaan untuk
evaluasi peningkatan layanan [8].
Selanjutnya penelitian yang dilakukan oleh Dedi Darwis dengan topik analisis sentimen data twitter Komisi
Pemberantas Korupsi Republik Indonesia dengan metode Support Vector Machine (SVM), menghasilkan nilai
positif 8%, nilai negatif 77%, serta netral sebanyak 15%. Ini membuktikan bahwa opini masyarakat mengenai
kinerja KPK memiliki tanggapan kurang baik [9].
Penelitian yang dilakukan oleh Mochamad Tri dengan topik analisis sentimen pada aplikasi Go-Jek menggunakan
metode Support Vector Machine (SVM) dan Naïve Bayes pada komentar play store. Hasil penilitian ini bertujuan
membentuk sebuah sistem yang memberikan informasi mengenai perbandingan dua metode berupa score
accuracy, recall dan precission [10].
Dari latar belakang penelitian diatas, maka didapatkan permasalahan mengenai “analisis sentimen opini
masyarakat tentang Gofood di media sosial twitter”. Data yang digunakan sebanyak 5000 tweet yang dianalisa
dari tanggal 15 – 25 November 2021, dengan kata kunci “Gofood”.
Penelitian ini bertujuan untuk mengelompokkan komentar masyarakat menjadi tiga kelas yakni positif,
negatif dan netral menggunkan metode Naïve Bayes dan Support Vector Machine sehingga dapat mengetahui
seberapa puas pengguna terhadap Gofood, serta dapat membandingkan kinerja kedua metode yaitu Naïve Bayes
dengan Support Vector Machine.
2. METODOLOGI PENELITIAN
2.1 Tahapan Penelitian
Penelitian ini dilakukan dengan mempelajari referensi yang relevan untuk mendapatkan pengetahuan, gambaran
dan landasan teori serta konsep-konsep lainnya mengenai objek penelitian melalui buku referensi yang ada di
perpustakaan, internet dan lain-lain. Penelitian ini bertujuan untuk menganalisis sentimen konsumen tentang
Gofood pada media sosial twitter dengan membandingkan metode Naïve Bayes dan metode Support Vector
Machine [11]. Hasil penelitian ini menjadi acuan bagi sistem layanan gofood dan digunakan untuk
membandingkan dari dua metode yang lebih baik pada penelitian ini. Gambar 1 menunjukkan tahapan penelitian.

DOI 10.30865/mib.v6i1.3530
Gambar 1. Tahapan Penelitian

Pada gambar 1 menjelaskan beberapa tahapan proses penelitian yang dilakukan diantaranya tahapa awal
analisis ini menggunakan jupyter notebook, melakukan crawling data twitter dengan kata kunci “Gofood”,
melakukan preprocessing data, proses pemodelan menggunakan metode Naïve Bayes dan Support Vector
Machine, dan menyimpulkan hasil.
2.2 Analisa Menggunakan Jupyter Notebook
Proses pengolahan data ini menggunakan aplikasi anaconda 3 dan menjalankan jupyter notebook untuk melakukan
analisa sentimen menggunakan bahasa pemprograman python [12].
2.3 Crawling Data
Hasil Crawling data pada penelitian ini diambil dari komentar para pengguna Gofood di media sosial Twitter
menggunakan library tweepy dan Twitter API untuk mendapatkan data dari twitter menggunakan kata kunci
“Gofood”[13]. Berikut langkah crawling data[12]:
a. Buat akun twitter developer.
b. Buka text editor jupyter notebook kemudian install “!pip install tweepy”.
c. Lakukan proses crawling data dengan memasukkan kata kunci”Gofood”.
d. Kemudia secara otomatis hasil opini masyarakat tersimpan dalam format csv file.
2.4 Preprocessing Data
Selanjutnya melakukan pemprosesan hasil crawling data twitter dengan cara membersihkan data agar dapat
diproses pada tahap modelling atau pemodelan analisis data selanjutnya [14]. Gambar 2 menunjukkan tahapan
Preprocessing[8]:
Gambar 2. Tahapan Preprocessing

Pada gambar 2 menunjukkan tahapan awal merupakan dataset tweet mentah merupakan hasil dari crawling data
yang telah didapatkan. Selanjutnya data diolah pada proses case folding yaitu merubah semua huruf kapital dalam
teks menjadi huruf kecil. Selanjutnya dilakukan filtering terhadap daftar kata tersebut. Setelah itu dilakukan
tokenizing yaitu mengkasifikasikan isi teks yang awalnya berupa kalimat menjadi kata secara terpisah. Tahap
selanjutnya dilakukan stopword removal yaitu proses menghapus kata-kata yang dianggap tidak penting seperti
kata sambung dan kata ganti orang. Kemudian akan mendapatkan hasil dataset tweet baru atau data tweet yang
telah bersih[11][14].
DOI 10.30865/mib.v6i1.3530
2.5 Metode Naïve Bayes
Naïve Bayes adalah cara untuk menggunakan probabilitas dan statistik. Algoritma ini ditemukan oleh seorang
ilmuwan Inggris bernama Thomas Bayes. Metode ini bertujuan untuk memperkirakan peluang masa depan
berdasarkan pengalaman masa lalu. Salah satu fitur utama dari metode ini adalah bahwa opini yang sangat
berpengaruh akan independensi dari masing-masing kondisi[7][15].
𝑃(𝑋|𝐻)
𝑃(𝐻|𝑋) = . 𝑃(𝐻) (1)
𝑃(𝑋)
𝑇𝑃
𝑃𝑟𝑒𝑐𝑖𝑠𝑠𝑖𝑜𝑛 = 𝑇𝑃+𝐹𝑃 (2)
𝑇𝑃
𝑅𝑒𝑐𝑎𝑙𝑙 = 𝑇𝑃+𝐹𝑁 (3)
Dimana:
x = Data dengan class yang belum diketahui
H = Hipotesis data merupakan suatu class spesifik
P(H|X) = Probabilitas hipotesis H berdasar kondisi X (posteriori probabilitas)
P(H) = Probabilitas hipotesis H (prior probabilitas)
P(X|H) = Probabilitas X berdasarkan kondisi pada hipotesis H
P(X) = Probabilitas X
2.6 Metode Support Vector Machine
Support Vector Machine merupakan metode klasifikasi untuk memproses data teks menggunakan kernel linear[7].
Kernel berguna untuk menggambarkan dimensi yang lebih kecil ke dimensi lebih besar. SVM memiliki 4
kernel[11][16]:
Tabel 1. Kernel SVM
Kernel linier : Kernel sigmoid:
𝑘(𝑥, 𝑦) = 𝑥. 𝑦 𝑘(𝑥, 𝑦) = tanh(𝜎( 𝑥. 𝑦) + 𝑐
Kernel polinomial: Kernel RBF:
𝑘(𝑥, 𝑦) = (𝑥. 𝑦) 𝐾 (𝑥, 𝑦) = exp (
−𝑥−𝑦 2
)
2𝜎 2
Kernel Dimana:
C : constanta, d : degree, exp : eksponensial
3. HASIL DAN PEMBAHASAN

3.1 Pengumpulan Data
Salah satu hal terpenting dalam melakukan penelitian ini adalah data[10]. Pengumpulan data didapatkan dari media
sosial Twitter dengan tweet berkisar mengenai Gofood. Proses pengumpulan data twitter menegnai Gofood
diambil dalam jangka waktu satu minggu menghasilkan 5000 data. Pengumpulan data dilakukan secara otomatis
dengan memanfaatkan tools python dan menginstall beberapa library yang dibutuhkan, hasil data yang
dikumpulkan dapat disimpan dengan format .json dan .csv. Tabel 2 menunjukkan contoh crawling data mengenai
opini masyarakat pada media sosial twitter[6][7][9]:
Tabel 2. Contoh Hasil Crawling Data
No. Komentar Sentimen
b'@FOODFESS2 Lebih suka gofood sih soalnya otomatis make voucher yg paling
1. bagus diskonnya,kalo di grabfood terakhir \xe2\x80\xa6 https://t.co/ijd8TNGSuR' Positif
coloursplash Open today Voucher Gojek Gofood Diskon 30%, fee hanya 2k bisa
2. Netral
langsung dm https://t.co/P08qivKk6Y
b'Kesel banget sama restoran yang tutup, tapi di aplikasi Gofood nya buka! Mana
3. di hubungi no respon! Di cancel juga xe2\x80\xa6 https://t.co/egiwCzC9Ch' Negatif
3.2 Preprocessing Data

Tahapan ini merupakan tahapan pemprosesan data hasil dari proses crawling data hingga menjadi data yang
bersih[13]. Hasil data dari preprocessing ini siap untuk di proses pada tahap proses klasifikasi[9]. Berikut
tahapan dalam melakukan preprocessing:

DOI 10.30865/mib.v6i1.3530
a. Case Folding, tahapan untuk mengganti semua huruf kapital dalam teks menjadi huruf kecil. Tabel 3
menunjukkan hasil proses case folding[17].
Tabel 3. Contoh Hasil Case Folding
Teks Hasil Case Folding
@FOODFESS2 Lebih suka gofood sih soalnya @foodfess2 lebih suka gofood sih soalnya otomatis
otomatis make voucher yg paling bagus make voucher yg paling bagus diskonnya,kalo di
diskonnya,kalo di grabfood terakhir \xe2\x80\xa6 grabfood terakhir\xe2\x80\xa6
https://t.co/ijd8TNGSuR' https://t.co/ijd8tngsur'
b. Filtering merupakan tahapan pembersihan teks dari komponen yang dianggap tidak mempunyai arti untuk
analisis sentimen seperti tanda baca, karakter atau simbol, angka, emoticon dan link URL. Tabel 4
menunjukkan hasil tahapan filtering[16].
Tabel 4. Contoh Hasil Filtering
Teks Hasil Filtering
@foodfess2 lebih suka gofood sih soalnya lebih suka gofood sih soalnya otomatis make
otomatis make voucher yg paling bagus voucher yg paling bagus diskonnya kalo di grabfood
diskonnya,kalo di grabfood terakhir \xe2\x80\xa6 terakhir
https://t.co/ijd8tngsur'
c. Tokenizing merupakan tahapan pemisahan teks kalimat menjadi potongan per kata sesuai spasi dalam teks.
Tabel 5 menunjukkan hasil tahapan tokenizing[17].
Tabel 5. Contoh Hasil Tokenizing
Teks Hasil Tokenizing
lebih suka gofood sih soalnya otomatis make [lebih], [suka], [gofood] [sih], [soalnya], [otomatis],
voucher yg paling bagus diskonnya kalo di [make], [voucher], [yg], [paling], [bagus],
grabfood terakhir [diskonnya], [kalo], [di] [grabfood], [terakhir]
d. Stopword Removal merupakan poses pemilihan atau penyaringan kata pada teks yang tidak mempunyai arti
seperti kata sambung, kata keterangan dan sebagainya, yang tidak diperlukan dalam pemodelan data. Tabel 6
menunjukkan hasil tahapan stopword removal[17].
Tabel 6. Contoh Hasil Stopword Removal
Teks Hasil Stopword Removal
[lebih], [suka], [gofood], [sih], [soalnya], [otomatis], Lebih suka gofood soalnya otomatis voucher
[make], [voucher], [yg], [paling], [bagus], diskonnya grabfood terkahir
[diskonnya], [kalo], [di], [grabfood], [terakhir]
e. Labelling merupakan pemprosesan terhadap hasil data stopword removal, dimana hasilnya diberikan
perhitungan polarity dari komentar yang diambil, sehingga mendapatkan dua klasifikasi yaitu label positif
(nilai > 0) dan negatif (nilai < 0), untuk label netral (nilai = 0) tidak diproses[13].
Gambar 3. Diagram Labelling

Pada gambar 3 menunjukkan bahwa klasifikasi opini masyarakat terhadap Gofood melalui twitter terbagi
menjadi bernilai netral sebesar 92,8%, bernilai positif sebesar 5,2% dan bernilai negatif sebesar 2,0%.
Gambar 4. Diagram Kelas Positif dan Negatif

DOI 10.30865/mib.v6i1.3530
Pada gambar 4 menunjukkan bahwa klasifikasi opini masyarakat terhadap Gofood melalui twitter terbagi
positif sebanyak 264 tweet dan negatif sebanyak 104 tweet.
3.3 Analisis Menggunakan Naïve Bayes
Analisa sentimen dengan Naïve Bayes dilakukan menggunakan bahasa python memberikan hasil laporan
klasifikasi (classification report), penarikan kermbali data (recall), presisi (precision), dan hasil akurasi
(accuracy)[11][15]. Hasil pengujian menggunakan metode Naïve Bayes divisualisasi dalam bentuk confusion
matrix. Confusion matrix memberikan hasil perbandingan klasifikasi oleh sistem dengan hasil klasifikasi
seharusnya[12] [13].
Gambar 5. Confusion Matrix

Pada gambar 5 menunjukkan bahwa Confusion matrix ini berupa matrix dengan ukuran 2 x 2 yang
menyatakan setiap kelas klasifikasi positif dan negatif. Model confusion matrix menunjukkan bahwa secara benar
sebanyak 2 data sebagai positif dan 54 sebagai data negatif. Selain itu model salah dalam memprediksi 19 data ke
dalam kelas negatif yang seharusnya positif (False Positif), serta model menyatakan tidak ada data yang salah
dalam kelas positif yang seharusnya negatif (False Negatif)[13].
Tabel 7. Hasil Confusion Matrix
Predict Class
Confusion Matrix
Positif Negatif
Actual Class Positif 2 19
Negatif 0 54
Tabel 7 menunjukkan hasil confusion matrix yang digunakan untuk melakukan evaluasi model. Sehingga
didapatkan perhitungan nilai akurasi menggunakan metode Naïve Bayes dengan code Python yaitu:
Gambar 6. Hasil Accuracy Naive Bayes

Gambar 6 menunjukkan hasil perhitungan matrix dengan code python yaitu 0,746 atau 74,6%. Perhitungan
akurasi manual dari perhitungan matrix sebagai berikut:
𝑇𝑟𝑢𝑒 𝑃𝑜𝑠𝑖𝑡𝑖𝑓+𝑇𝑟𝑢𝑒 𝑁𝑒𝑔𝑎𝑡𝑖𝑓
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑥 100% (4)
𝑇𝑜𝑡𝑎𝑙 𝑑𝑎𝑡𝑎 𝑚𝑎𝑡𝑟𝑖𝑥
56
= 𝑥 100%
75
= 74,6%
Akurasi memberikan gambaran seberapa akurat metode digunakan dalam mengklasifikasi data dengan
benar. Sehingga dapat mengetahui seberapa akurat nilai akurasi pada kinerja sistem dalam menemukan informasi

DOI 10.30865/mib.v6i1.3530
yang diinginkan user dengan hasil yang diberikan sistem[16]. Nilai keberhasilan sistem dalam penelitian ini
dengan akurasi sebesar 74,6%[8]. Selanjutnya dari hasil model confusion matrix dapat dilihat nilai precison dan
recall di setiap kelas klasifikasi yang memiliki tingkat kemampuan yang berbeda-beda. Gambar 6 menunjukkan
angka precision pada kelas negatif sebesar 100%, dan untuk kelas positif 74%. Nilai precision untuk menunjukkan
proporsi label yang diprediksi benar dari total prediksi cukup besar untuk kelas negatif dibanding kelas positif.
Sedangkan angka recall pada kelas negatif sebesar 10% dan untuk kelas positif sebesar 100%. Ini menunjukkan
kemampuan sistem dalam menemukan kembali informasi yang bernilai positif dalam dokumen rendah dibanding
informasi kembali bernilai negatif[13].
3.4 Analisis Menggunakan Support Vector Machine
Akurasi Analisa sentimen dengan metode Support Vector Machine juga dilakukan dengan bahasa python
memberikan hasil berupa laporan klasifikasi (classification report), kemampuan penarikan kermbali data (recall),
presisi (precision), dan hasil akurasi (accuracy [15]. Berikut hasil confusion matrix:
Tabel 8. Confusion Matrix SVM
Predict Class
Confusion Matrix
Positif Negatif
Actual Class Positif 23 9
Negatif 10 70
Tabel 8 menunjukkan model confusion matrix menunjukkan bahwa secara benar sebanyak 23 data sebagai
positif dan 70 sebagai data negatif. Selain itu model salah dalam memprediksi 9 data ke dalam kelas negatif yang
seharusnya positif (False Positif), serta model menyatakan 10 data yang salah dalam kelas positif yang seharusnya
negatif (False Negatif)[11][13]. Selanjutnya hasil confusion matrix digunakan untuk melakuakn evaluasi model.
Sehingga di dapatkan perhitungan nilai akurasi menggunakan metode Support Vector Machine dengan code
Python sebagai berikut:
Gambar 7. Hasil Akurasi SVM

Gambar 7 menunjukkan akurasi menggunakan metode Support Vector Machine. Akurasi memberikan
gambaran seberapa akurat metode digunakan dalam mengklasifikasi data dengan benar. Sehingga dapat
mengetahui seberapa besar nilai akurasi pada kinerja sistem dalam menemukan informasi yang diinginkan user
dengan jawaban yang dihasilkan sistem. Nilai keberhasilan sistem dalam penelitian ini dengan akurasi sebesar
83%[8]. Perhitungan akurasi manual dari perhitungan matrix sebagai berikut:
𝑇𝑟𝑢𝑒 𝑃𝑜𝑠𝑖𝑡𝑖𝑓+𝑇𝑟𝑢𝑒 𝑁𝑒𝑔𝑎𝑡𝑖𝑓
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑥 100% (5)
𝑇𝑜𝑡𝑎𝑙 𝑑𝑎𝑡𝑎 𝑚𝑎𝑡𝑟𝑖𝑥
93
= 𝑥 100%
112
= 83%
Selanjutnya dapat dilihat nilai precission dan recall di setiap kelas klasifikasi yang berbeda-beda.
Precission pada kelas negatif sebesar 88,6%, dan untuk kelas positif 71,8%. Nilai precision untuk menunjukkan
proporsi label yang diprediksi benar dari total prediksi cukup besar untuk kelas negatif. Sedangkan angka recall
pada kelas negatif sebesar 87,5% dan untuk kelas positif sebesar 69,6%. Ini menunjukkan kemampuan sistem
dalam menemukan kembali informasi yang bernilai negatif dalam dokumen tinggi dibanding informasi kembali
bernilai positif [11][13].
3.5 Implementasi
Hasil implementasi penerapan metode Naïve Bayes dan Support Vector Machine berupa analisis sentimen
terhadap opini masyarakat berdasakan media sosial twitter menggunakan tampilan antarmuka berbasis web.
Pengujian ini memanfaatkan data komentar twitter yang sudah di preprocessing terlebih dahulu dalam bentuk json
sebanayak 1000 tweet. Sistem secara otomatis akan membagi data menjadi data latih sebesar 80% dan data uji
sebanyak 20%.
DOI 10.30865/mib.v6i1.3530
Gambar 8. Klasifikasi Menggunakan Metode Naive Bayes

Gambar 8 menunjukkan tampilan klasifikasi menggunakan metode Naïve Bayes. Aplikasi memberikan
informasi data mana yang salah dalam memprediksi hasil oleh mesin.
Gambar 9. Hasil Akurasi menggunakan Metode Naive Bayes

Pada gambar 9 melihatkan kemampuan akurasi metode Naïve Bayes dalam mengklasifikasikan 1000 data
adalah 91,5%[14]. Sistem menunjukkan klasifikasi positif secara manual sebanyak 180 tweet dan negatif sebanyak
20 tweet. Sedangkan metode Naïve Bayes memprediksi 166 tweet bernilai positif dan 17 bernilai negatif . Ini
menunjukkan selish 14 tweet seharusnya negatif (false negatif) dan 3 tweet seharusnya positif (false positif).
Gambar 10. Klasifikasi Menggunkan Metode SVM

Gambar 10 menunjukkan tampilan klasifikasi menggunakan metode Support Vector Machine. Aplikasi
memberikan informasi tentang data mana yang salah dalam memprediksi hasil oleh mesin.
Gambar 11. Hasil Akurasi SVM

Pada gambar 11 menunjukkan kemampuan akurasi metode Support Vector Machine dalam
mengklasifikasikan 1000 data adalah 98,5%[14]. Sistem menunjukkan klasifikasi positif secara manual sebanyak
DOI 10.30865/mib.v6i1.3530
180 tweet dan negatif sebanyak 20 tweet. Sedangkan metode Support Vector Machine memprediksi benar 180
tweet bernilai positif dan 17 bernilai negatif . Ini menunjukkan 0 tweet seharusnya negatif (false negatif) dan 3
tweet seharusnya positif (false positif)[13][14].
4. KESIMPULAN
Hasil kesimpulan dari penelitian dan pembahasan yang dilakukan dengan objek Gofood maka didapatkan hasil
klasifikasi komentar masyarakat kedalam tiga kelas yaitu kelas positif 5,2%, kelas netral sebesar 92,8% dan kelas
negatif sebesar 2,0%. Ini menunjukkan bahwa tanggapan positif masyarakat lebih besar dari pada tanggapan
negatif. Selanjutnya hasil akurasi pada penelitian ini dilakukan dengan bahasa python dan tampilan antarmuka
berbasis website. Support Vector Machine menghasilkan nilai yang lebih besar dan akurat dari akurasi Naïve
Bayes dalam mengelompokkan opini masyarakat berbahasa Indonesia pada media sosial Twitter. Metode Support
Vector Machine menghasilkan akurasi sebesar 83% dari 5000 tweet menggunakan bahasa python dan 98,5%
melalui uji coba antarmuka dengan 1000 tweet sedangkan kemampuan akurasi Naïve Bayes sebesar 74,6% melalui
bahasa python dan 91,5% menggunakan uji coba antarmuka. Ini membuktikan metode SVM lebih akurat sebagai
metode pengelompokkan untuk proses analisis sentimen opini masyarakat berbahasa Indonesia pada Twitter
dibandingan Naïve Bayes.
REFERENCES
[1] Q. Amalia, “Persepsi Konsumen Terhadap Faktor yang mempengaruhi Niat Menggunakan aplikasi Go-Food di Masa
Pandemi COVID-19,” … Ind. Res. Work. Natl. Semin., pp. 4–5, 2021, [Online]. Available: https://jurnal.polban.ac.id/ojs-
3.1.2/proceeding/article/view/2841/2220.
[2] S. R. Pudjiastuti, , S., and N. Hadi, “the Effect of Corona Virus on the Global Climate,” Jhss (Journal Humanit. Soc.
Stud., vol. 4, no. 2, pp. 130–136, 2020, doi: 10.33751/jhss.v4i2.2456.
[3] Ratino, N. Hafidz, S. Anggraeni, and W. Gata, “Sentimen Analisis Informasi Covid-19 menggunakan Support Vector
Machine dan Naïve Bayes,” J. JUPITER, vol. 12, no. 2, pp. 1–11, 2020.
[4] M. M. Ikram, “Keputusan Penggunaan Layanan GoFood Selama Masa Pandemi Covid-19,” J. Ilm. Manaj. Kesatuan,
vol. 9, no. 2, pp. 71–80, 2021, doi: 10.37641/jimkes.v9i2.467.
[5] Nurbayti, “Tren Pengguna Aplikasi Go-Food di Era Digital (Studi Fenomenologi Pengguna Go-Food di Universitas
Amikom Yogyakarta),” J. Komunikasi, Masy. dan Keamanan, vol. 1, no. 1, pp. 1–10, 2019.
[6] M. W. A. Putra, Susanti, Erlin, and Herwin, “Analisis Sentimen Dompet Elektronik Pada Twitter Menggunakan Metode
Naïve Bayes Classifier,” IT J. Res. Dev., vol. 5, no. 1, pp. 72–86, 2020, doi: 10.25299/itjrd.2020.vol5(1).5159.
[7] D. A. Ramadhan and M. . , Erwin Budi Setiawan S.Si., “ANALISIS SENTIMEN PROGRAM ACARA DI SCTV PADA
TWITTER MENGGUNAKAN METODE NAIVE BAYES DAN SUPPORT VECTOR MACHINE,” Semin. Nas.
Teknol. Fak. Tek. Univ. Krisnadwipayana, vol. 1, no. 1, pp. 739–742, 2019, [Online]. Available:
https://jurnal.teknikunkris.ac.id/index.php/semnastek2019/article/view/343/342.
[8] E. Dwianto and M. Sadikin, “Analisis Sentimen Transportasi Online pada Twitter Menggunakan Metode Klasifikasi
Naïve Bayes dan Support Vector Machine,” Format J. Ilm. Tek. Inform., vol. 10, no. 1, p. 94, 2021, doi:
10.22441/format.2021.v10.i1.009.
[9] D. Darwis, E. S. Pratiwi, and A. F. O. Pasaribu, “Penerapan Algoritma Svm Untuk Analisis Sentimen Pada Data Twitter
Komisi Pemberantasan Korupsi Republik Indonesia,” Edutic - Sci. J. Informatics Educ., vol. 7, no. 1, pp. 1–11, 2020,
doi: 10.21107/edutic.v7i1.8779.
[10] M. Tri Anjasmoros and dan Fitri Marisa, “Analisis Sentimen Aplikasi Go-Jek Menggunakan Metode Svm Dan Nbc
(Studi Kasus: Komentar Pada Play Store),” Conf. Innov. Appl. Sci. Technol. (CIASTECH 2020), no. Ciastech, pp. 489–
498, 2020.
[11] H. Setiawan, E. Utami, and S. Sudarmawan, “Analisis Sentimen Twitter Kuliah Online Pasca Covid-19 Menggunakan
Algoritma Support Vector Machine dan Naive Bayes,” J. Komtika (Komputasi dan Inform., vol. 5, no. 1, pp. 43–51,
2021, doi: 10.31603/komtika.v5i1.5189.
[12] E. S. Romaito, M. K. Anam, Rahmaddeni, and A. N. Ulfah, “Perbandingan Algoritma SVM Dan NBC Dalam Analisa
Sentimen Pilkada Pada Twitter,” CSRID J., vol. 13, no. 3, pp. 169–179, 2021.
[13] N. Herlinawati, Y. Yuliani, S. Faizah, W. Gata, and S. Samudi, “Analisis Sentimen Zoom Cloud Meetings di Play Store
Menggunakan Naïve Bayes dan Support Vector Machine,” CESS (Journal Comput. Eng. Syst. Sci., vol. 5, no. 2, p. 293,
2020, doi: 10.24114/cess.v5i2.18186.
[14] R. Tineges, A. Triayudi, and I. D. Sholihati, “Analisis Sentimen Terhadap Layanan Indihome Berdasarkan Twitter
Dengan Metode Klasifikasi Support Vector Machine (SVM),” J. Media Inform. Budidarma, vol. 4, no. 3, p. 650, 2020,
doi: 10.30865/mib.v4i3.2181.
[15] A. Triayudi and W. O. Widyarto, “Comparison J48 and Naïve Bayes Methods in Educational Analysis,” J. Phys. Conf.
Ser., vol. 1933, no. 1, pp. 15–20, 2021, doi: 10.1088/1742-6596/1933/1/012062.
[16] F. Fitriana, E. Utami, and H. Al Fatta, “Analisis Sentimen Opini Terhadap Vaksin Covid - 19 pada Media Sosial Twitter
Menggunakan Support Vector Machine dan Naive Bayes,” J. Komtika (Komputasi dan Inform., vol. 5, no. 1, pp. 19–25,
2021, doi: 10.31603/komtika.v5i1.5185.
[17] R. Wati et al., “Analisis Sentimen Persepsi Publik Mengenai PPKM Pada Twitter Berbasis SVM Menggunakan Python,”
vol. 06, pp. 240–247, 2021.


Analisis Sentimen Gofood Berdasarkan Twi

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Analisis Sentimen Gofood Berdasarkan Twi

Diunggah oleh

Hak Cipta:

Format Tersedia

JURNAL MEDIA INFORMATIKA BUDIDARMA

Volume 6, Nomor 1, Januari 2022, Page 542-550

Analisis Sentimen Gofood Berdasarkan Twitter Menggunakan Metode

Melati Indah Petiwi, Copyright © 2022, MIB, Page 542

Melati Indah Petiwi, Copyright © 2022, MIB, Page 543

Gambar 1. Tahapan Penelitian

Gambar 2. Tahapan Preprocessing

3. HASIL DAN PEMBAHASAN

3.2 Preprocessing Data

Melati Indah Petiwi, Copyright © 2022, MIB, Page 545

Gambar 3. Diagram Labelling

Gambar 4. Diagram Kelas Positif dan Negatif

Gambar 5. Confusion Matrix

Gambar 6. Hasil Accuracy Naive Bayes

Melati Indah Petiwi, Copyright © 2022, MIB, Page 547

Gambar 7. Hasil Akurasi SVM

Gambar 8. Klasifikasi Menggunakan Metode Naive Bayes

Gambar 9. Hasil Akurasi menggunakan Metode Naive Bayes

Gambar 10. Klasifikasi Menggunkan Metode SVM

Gambar 11. Hasil Akurasi SVM

Melati Indah Petiwi, Copyright © 2022, MIB, Page 550

Anda mungkin juga menyukai