50858
Vol. 10, No. 4, Oktober 2022
Abstrak
Opini masyarakat yang dituliskan dalam sebuah jejaring sosial Twitter dapat dimanfaatkan sebagai bahan dalam
proses analisis sentimen yang dapat diklasifikasikan ke dalam sentimen positif dan negatif. Analisis Sentimen
atau Opinion Mining adalah bagian dari studi ilmu Text Mining yang proses utamanya adalah mengambil dataset
mentah dan kemudian mengekstrasi dataset tersebut menjadi sebuah informasi bermanfaat yang bersifat
sentimen terhadap suatu permasalahan objek atau topik apakah cenderung ke dalam kalimat positif, atau
bahkan negatif. Penelitian memanfaatkan jejaring sosial media Twitter dalam prosesnya yang bertujuan untuk
mengklasifikasikan data tweets berbahasa Indonesia menjadi sentimen positif dan negatif. Proses pengambilan
data menggunakan Bahasa Pemrograman Python dengan memanfaatkan library snscrape. Data yang digunakan
dalam penelitian ini dilakukan proses klasifikasi data tweets menggunakan algoritma Naïve Bayes Classifier.
Setelah dilakukan pengujian dengan metode Naïve Bayes Classifier, didapatkan hasil akurasi sebesar 96%,
precision 96%, recall 96%, dan fi-score 95%.
Kata kunci: Analisis Sentimen, Naïve Bayes Classifier, Python, Snscrape, Text Mining, Twitter
dibicarakan, salah satunya adalah topik “Penurunan ini dilakukan oleh Samsir, dkk, pada tahun 2021.
Performa Layanan Indihome dan Telkomsel” yang Penelitian ini menggunakan data tweets yang diambil pada
beberapa saat lalu ramai dibincangkan. November 2020 dengan akurasi nilai 30% untuk kelas
Meskipun banyak masyarakat Indonesia yang positif, 69% untuk kelas negatif, dan 1% untuk kelas
menggunakan dua layanan tersebut, tidak menentukan netral. Tanggapan negatif yang dihasilkan berdasarkan
apakah layanan tersebut selamanya akan memberikan pada ketidakpuasan publik terhadap penerapan
kesan positif terhadap masyarakat. Terlihat dari kejadian pembelajaran daring [12].
per tanggal 19 September 2021, penurunan performa Penelitian sentimen dengan judul “Komparasi
layanan internet indihome dan telkomsel diberbagai Algoritma Klasifikasi Text Mining Untuk Analisis
tempat di Idonesia mengakibatkan para pelanggan Sentimen Pada Review Restoran”. Penelitian ini
memberikan banyak komentar kritik dan keluhan melalui dilakukan oleh Muthia Dinda pada tahun 2018. Penelitian
Twitter kepada Telkom, dimana kedua layanan tersebut ini membandingkan dua algoritma klasifikasi, yaitu
tidak dapat diakses. algoritma Naïve Bayes dengan algoritma Support Vector
Berdasarkan pada tweets yang dikirim tersebut, Machine (SVM) terhadap review restoran. Hasil dari
gambaran opini publik dapat dilihat, dan selanjutnya akan pengujian pada penelitian ini adalah membuktikan bahwa
diekstraksi menjadi sebuah data informasi yang terstruktur algoritma Naïve Bayes Classifier (NBC) lebih unggul dari
untuk mengetehui polaritas dari sebuah opini apakah algoritma Support Vector Machine (SVM) dalam
termasuk ke dalam klasifikasi positif, netral, atau negatif mengklasifikasikan review restoran dengan teks berbahasa
[4][5]. Suatu metode yang dapat digunakan untuk Indonesia. Akurasi dari algoritma Naïve Bayes mencapai
mengubah data tersebut menjadi sebuah data informasi 87% sedangkan algoritma Support Vector Machine (SVM)
yang terstruktur adalah dengan menggunakan metode hanya dapat menghasilkan akurasi sebesar 56% [13].
analisis sentimen yang merupakan bagian dari cabang Penelitian analisis sentimen dengan topik opini
ilmu Text mining. masyarakat terhadap data tweets e-commerce Lazada yang
Text mining merupakan bagian bagian dari studi ilmu dilakukan oleh Dodi Setian dan Iin Seprina pada tahun
data mining yang prosesnya melakukan ekstraksi terhadap 2019. Tujuan dari penelitian ini adalah untuk mengetahui
dataset yang tidak terstruktur menjadi sebuah informasi opini masyarakat di Twitter terhadap layanan Lazada
yang dapat dijadikan sebagai acuan dengan dengan menggunakan Algoritma Naïve Bayes. Hasil
mengidentifikasi dan menemukan pola-pola yang menarik akurasi yang didapat sebesar 98,29% [14].
[6]. Text mining digunakan untuk memecahkan Twitter merupakan salah satu wadah yang dapat
permasalahan informasi dengan menggunakan teknik dari digunakan pada saat melakukan proses analisis sentimen,
data mining, machine learning, Natural Language dimana terdapat banyak sekali data atau dokumen teks
Processing (NLP), Information Retrieval (IR), dan yang dapat dijadikan sebagai bahan dalam melakukan
knowledge management. Text mining melibatkan proses - analisis sentimen [15].
preprocessing, ekstraksi dataset, penyimpanan Berdasarkan pada penjabaran diatas dan penelitian
representasi perantara data, pengelompokkan data seperti terdahulu, maka didapatkan sebuah batasan masalah, yaitu
analisis tren, dan visualisasi hasil [7][8]. bagaimana mengklasifikasikan sebuah sentimen dengan
Analisis sentimen adalah untuk mengetahui polaritas algoritma Naïve Bayes Classifier. Selain itu, ruang
dari sebuah kumpulan sentimen yang dikelompokkan lingkup penelitian ini adalah pengambilan data tweets dari
menjadi positif, netral, dan negatif. Analisis sentimen jarak waktu september 2021 sampai dengan Oktober 2021.
dilakukan dengan menggunakan teknik Natural Language
Processing (NLP) [9]. II. METODOLOGI PENELITIAN
Analisis sentimen saat ini dijadikan sebagai salah satu
A. Diagram Alur Penelitian
topik yang digunakan oleh banyak peneliti dengan tujuan
untuk memberikan sebuah informasi dari dataset yang Secara garis besar penelitian ini akan berdasarkan pada
tidak terstruktur [10]. Seperti pada penelitian yang proses konfigurasi metode analisis sentimen dengan
dilakukan oleh Sudiantoro Adhi pada tahun 2018 pada tahapan yang dapat dilihat pada Gambar 1.
objek opini masyarakat Indonesia terhadap pilkada Jawa Tahapan analisis sentimen yang terdiri dari tahapan
Barat. Tujuan dilakukannya penelitian tersebut adalah crawling data, text preprocessing, distribusi data yang
untuk mengklasifikasikan opini masyarakat terhadap dibagi menjadi data latih dan data uji, pemodelan data
pilkada Jawa Barat dengan algoritma Naïve Bayes dengan metode klasifikasi, dan evaluasi.
Classifier. Dataset yang digunakan dalam penelitian ini
yaitu, 300 total data tweets dan kemudian data tersebut
dibagi dengan keterangan total data latih sebesar 200 data,
dan data uji sebesar 100 data. Hasil akurasi dari pengujian
dengan algoritma Naïve Bayes Classifier adalah sebesar
84% dan cukup berhasil memprediksi kategori sentimen
positif dan negatif [11].
Penelitian lainnya dengan judul “Analisis Sentimen
Pembelajaran Daring Pada Twitter di Masa Pandemi
Covid-19 Menggunakan Metode Naïve Bayes”. Penelitian
D. Pembobotan Kata
mulai Penelitian ini menerapkan algoritma TF-IDF (Term
Frequency-Inverse Document Frequency) yang digunakan
untuk menghitung bobot kata dengan memberikan bobot
Crawling data pada sebuah kata (term) dari suatu dokumen (tweets).
Algoritma TF-IDF digunakan untuk memberikan evaluasi
seberapa pentingnya kata di dalam sebuah dokumen [17].
Dataset mentah Adapun rumus algoritma TF-IDF dituliskan sebagai
berikut:
𝐷𝐷
𝑊𝑊𝑖𝑖𝑖𝑖 = 𝑡𝑡𝑡𝑡𝑖𝑖𝑖𝑖 + �log � (1)
𝑑𝑑𝑑𝑑𝑖𝑖
Preprocessing
Keterangan:
Membagi data 𝑊𝑊𝑖𝑖𝑖𝑖 = bobot kata pada dokumen/tweets
𝑡𝑡𝑡𝑡𝑖𝑖𝑖𝑖 = jumlah kemunculan kata
dalam dokumen/tweets
D = jumlah dokumen tweets
Data uji 𝑑𝑑𝑓𝑓𝑓𝑓 = kemunculan kata dari D
Data latih
E. Algoritma Naïve Bayes
Naïve Bayes Classifier adalah metode klasifikasi yang
paling sering digunakan dalam penelitian yang berkaitan
dengan analisis sentimen. Naïve Bayes Classifier
Pemodelan
melakukan penggolongan kata dan dokumen berdasarkan
pada probabilitas dan dapat digunakan sebagai hipotesis
bahwa tidak ada ketergantungan antara satu kelas dengan
evaluasi
kelas lainnya [18].
Sampel dokumen yang dipakai positif maka Term berada pada kelas positif, begitupun
Input Teks: sebaliknya.
D1 = “spotify kalau pakai telkomsel sudah normal”
D2 = “bahagia kabar layanan indihome telkomsel Keterangan:
sudah normal” nPositif =9
D3 = “lebih baik tidak pakai layanan bumn ini” nNegatif =8
D4 = “buka dana lemot pakai koneksi indihome” Jumlah = 13 kata
Output : (𝑛𝑛𝑛𝑛�
𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝
�)+1
𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛
𝑃𝑃(𝑤𝑤|𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃|𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁) =
TABEL III �𝑛𝑛. 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 �𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛 �+|𝑇𝑇|
VEKTORISASI SAMPEL DATA (4)
TF-IDF
Term
D1 D2 D3 D4 Probabilitas Prior
bahagia 0 0.47 0 0 a. Kata bahagia
buka 0 0 0 0.44
1+1
bumn 0 0 0.70 0 P(bahagia|Positif) = = 0,09
dana 0 0 0 0.44 9+13
indihome 0 0.37 0 0.35 0+1
kabar 0 0.47 0 0 P(bahagia|Negatif) = = 0,047
koneksi 0 0 0 0.44 8+13
layanan 0 0.37 0.55 0 b. Kata buka
lemot 0 0 0 0.44
normal 0.48 0.37 0 0
0+1
P(buka|Positif) = = 0,045
pakai 0.39 0 0.44 0.28 9+13
spotify 0.61 0 0 0 1+1
telkomsel 0.48 0.37 0 0 P(buka|Negatif) = = 0,095
8+13
Tabel diatas berisikan hasil perhitungan TF-IDF dari c. Kata bumn
empat sampel dokumen tweets terhadap 13 Term yang 0+1
terdapat di setiap dokumen. P(bumn|Positif) = = 0,045
9+13
D. Proses Klasifikasi Naïve Bayes 1+1
P(bumn|Negatif) = = 0,095
Proses klasifikasi dilakukan pada data latih untuk 8+13
membuat model. Sebelum melakukan proses klasifikasi, d. Kata dana
terlebih dahulu melakukan pembagian data dengan 0+1
membagi data menjadi 80% data latih (1044 tweets) dan P(dana|Positif) = = 0,045
20% data uji (261 tweets). 9+13
Pada tahapan klasifikasi dengan metode Naïve Bayes, 1+1
P(dana|Negatif) = = 0,095
perhitungan probabilitas kata dilakukan terhadap Term 8+13
pada setiap dokumen tweets. Term yang digunakan e. Kata indihome
terdapat pada Tabel 3. Proses perhitungan persamaan 1+1
dapat dilihat pada Tabel 4. P(indihome|Positif) = = 0,09
9+13
TABEL IV 1+1
KEMUNCULAN TERM PADA SETIAP KELAS P(indihome|Negatif) = = 0,095
8+13
Term Positif Negatif
bahagia 1 0
f. Kata kabar
buka 0 1 1+1
bumn 0 1 P(kabar|Positif) = = 0,09
dana 0 1
9+13
indihome 1 1 0+1
kabar 1 0 P(kabar|Negatif) = = 0,047
8+13
koneksi 0 1
layanan 1 1 g. Kata koneksi
lemot 0 1 0+1
normal 2 0 P(koneksi|Positif) = = 0,045
pakai 1 1 9+13
spotify 1 0 1+1
telkomsel 1 0 P(koneksi|Negatif) = = 0,095
9 8
8+13
h. Kata layanan
1+1 Perhitungan dilakukan pada data uji:
P(layanan|Positif) = = 0,09 D4 = “buka dana lemot pakai koneksi indihome”.
9+13
1+1
P(layanan|Negatif) = = 0,09 Perhitungan dilakukan dengan menghitung nilai
8+13 probabilitas tertinggi dari masing – masing kelas.
i. Kata lemot
0+1 𝑷𝑷(𝒑𝒑𝒑𝒑𝒑𝒑𝒑𝒑𝒑𝒑𝒑𝒑𝒑𝒑|𝑫𝑫𝑫𝑫) = 𝑃𝑃(𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝) × 𝑃𝑃(𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏|𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝) ×
P(lemot|Positif) = = 0,045 𝑃𝑃(𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑|𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝) × 𝑃𝑃(𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖ℎ𝑜𝑜𝑜𝑜𝑜𝑜|𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝) ×
9+13
𝑃𝑃(𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙|𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝) × 𝑃𝑃(𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝|𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝)
1+1
P(lemot|Negatif) = = 0,095
8+13 = 0,5 × 0,045 × 0,045 × 0,09 × 0,045 × 0,09
j. Kata normal = 0,0000003691
2+1
P(normal|Positif) = = 0,136 𝑷𝑷(𝒏𝒏𝒏𝒏𝒏𝒏𝒏𝒏𝒏𝒏𝒏𝒏𝒏𝒏|𝑫𝑫𝑫𝑫) = 𝑃𝑃(𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛) × 𝑃𝑃(𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏|𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛) ×
9+13
𝑃𝑃(𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑|𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛) × 𝑃𝑃(𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖ℎ𝑜𝑜𝑚𝑚𝑚𝑚|𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛) ×
0+1
P(normal|Negatif) = = 0,047 𝑃𝑃(𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙|𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛) × 𝑃𝑃(𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝|𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛)
8+13
k. Kata pakai = 0,5 × 0,095 × 0,095 × 0,09 × 0,095 × 0,095
1+1 = 0,0000036653
P(pakai|Positif) = = 0,09
9+13 TABEL V
1+1 HASIL NILAI PROBABILITAS
P(pakai|Negatif) = = 0,095 Probabilitas Positif 0,0000003691
8+13
Probabilitas Negatif 0,0000036653
l. Kata Spotify
1+1 Berdasarkan pada perhitungan probabilitas yang
P(spotify|Positif) = = 0,09
9+13 dilakukan pada sampel data uji, dapat dilihat kelas negatif
0+1 memiliki nilai probabilitas yang tinggi. Sehingga dapat
P(spotify|Negatif) = = 0,047 disimpulkan bahwa sampel data uji tersebut berada pada
8+13
kelas negatif.
m. Kata telkomsel
1+1 E. Evaluasi
P(telkomsel|Positif) = = 0,09
9+13 Setelah dilakukan pemodelan menggunakan metode
0+1 Naïve Bayes, selanjutnya melakukan pengujian data uji
P(telkomsel|Negatif) = = 0,047 dengan jumlah data 261 tweets (250 negatif dan 11
8+13 positif).
Berdasarkan data uji tersebut, hasil evaluasi terhadap
Probabilitas Posterior
data uji digambarkan dalam Confusion Matrix pada Tabel
Setelah melakukan perhitungan terhadap probabilitas
5 di bawah ini
Term, kemudian akan dilakukan perhitungan probabilitas
terhadap sampel dokumen. TABEL VI
Perhitungan probabilitas dokumen tweets dimana CONFUSION MATRIX
terdapat 2 data latih dengan sentiment positif dan negatif, Prediksi Prediksi
Jumlah
sehingga perhitungannya: Negatif Positif
True
250 0 250
𝑥𝑥(
𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝
) Negatif
𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛
𝑃𝑃( ) = (5) True
𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁 |𝐶𝐶| 10 1 11
Positif
Jumlah 260 1 261
1
P(Positif) = = 0,5
2 Pada tabel 5 digambarkan ada sekitar 260 data yang
diprediksi negatif dan 1 data yang diprediksi positif.
1 Namun dari 260 data yang diprediksi negatif, terdapat
P(Negatif) = = 0,5 kesalahan yang dimana seharusnya 10 data berada pada
2
kelas positif.
Untuk mendapatkan nilai probabilitas tertinggi, maka Berdasarkan pada confusion matrix tersebut,
dilakukan perhitungan dengan rumus : didapatkan nilai akurasi sebesar 96%. nilai precision
sebesar 96%, nilai recall sebesar 96%, dan nilai fi-score
𝑃𝑃 �
𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝
�𝑑𝑑� = 𝑃𝑃 �
𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝
� × 𝜋𝜋𝜋𝜋(𝑤𝑤|𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝|𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛) sebesar 95%.
𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛 𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛
(6)
DAFTAR PUSTAKA
[1] E. Mas’udah, E. D. Wahyuni, and A. A. Arifiyanti, “Analisis
Sentimen: Pemindahan Ibu Kota Indonesia Pada Twitter,” J.
Inform. dan Sist. Inf., vol. 1, no. 2, pp. 397–401, 2020.
[2] Asosiasi Penyelenggara Jasa Internet Indonesia, “Laporan
Survei Internet APJII 2019 – 2020,” Asos. Penyelenggara Jasa
Internet Indones., vol. 2020, pp. 1–146, 2020, [Online].
Available: https://apjii.or.id/survei.
[3] J. Winahyu and I. Suharjo, “Aplikasi Web Analisis Sentimen
Dengan Algoritma Multinomial Naïve Bayes,” vol. 10, pp.
Gambar 4. Crawling data tweets secara real time
206–214, 2021.
[4] D. Darwis, N. Siskawati, and Z. Abidin, “Penerapan Algoritma
Crawling data tweets dilakukan secara real time dengan Naive Bayes untuk Analisis Sentimen Review Data Twitter
menggunakan API Twitter. API Twitter yang terhubung BMKG Nasional,” J. Tekno Kompak, vol. 15, no. 1, pp. 131–
145, 2021.
dengan sistem memungkinkan aplikasi untuk mengambil [5] A. Wandani, F. Fauziah, and A. Andrianingsih, “Sentimen
data secara langsung dan melakukan pencarian sesuai Analisis Pengguna Twitter pada Event Flash Sale
dengan kata kunci yang ditulis, dan data yang diambil Menggunakan Algoritma K-NN, Random Forest, dan Naive
akan disimpan ke dalam database. Bayes,” J-SAKTI (Jurnal Sains Komput. dan Inform., vol. 5, no.
2, pp. 651–665, 2021.
[6] A. Poornima and K. S. Priya, “A Comparative Sentiment
Analysis of Sentence Embedding Using Machine Learning
Techniques,” 2020 6th Int. Conf. Adv. Comput. Commun. Syst.
ICACCS 2020, pp. 493–496, 2020, doi:
10.1109/ICACCS48705.2020.9074312.
[7] R. Feldman and J. Sanger, The Text Mining Handbook.
Cambridge University Press, 2006.
[8] K. Kowsari, K. J. Meimandi, M. Heidarysafa, S. Mendu, L.
Barnes, and D. Brown, “Text classification algorithms: A
survey,” Inf., vol. 10, no. 4, pp. 1–68, 2019, doi:
10.3390/info10040150.
[9] A. Triayudi, “Convolutional Neural Network For Test
Classification On Twitter,” J. Softw. Eng. Intellident Syst., vol.
Gambar 5. Klasifikasi sentimen 4, no. 3, pp. 123–131, 2019.
[10] R. Tineges, A. Triayudi, and I. D. Sholihati, “Analisis
Menu klasifikasi melakukan klasifikasi berdasarkan kata Sentimen Terhadap Layanan Indihome Berdasarkan Twitter
kunci dan data yang sebelumnya sudah dimasukkan ke Dengan Metode Klasifikasi Support Vector Machine (SVM),”
J. Media Inform. Budidarma, vol. 4, no. 3, p. 650, 2020, doi:
dalam database. Hasil klasifikasi ditampilkan dengan 10.30865/mib.v4i3.2181.
menggunakan visualisasi diagram. [11] A. V. Sudiantoro et al., “Analisis Sentimen Twitter
Menggunakan Text Mining Dengan,” vol. 10, no. 2, pp. 398–
401, 2018.
[12] Samsir, Ambiyar, U. Verawardina, F. Edi, and R. Watrianthos,
IV. KESIMPULAN “Analisis Sentimen Pembelajaran Daring Pada Twitter di Masa