Analisis Perbandingan Multinominal Naïve Bayes dan Adaboost dalam Mengklasifikasikan Sentimen Terkait Pinjaman Online

Yoga Pangestu, Muhammad Basri

Abstract


Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja algoritma Multinomial Naive Bayes (MNB) dan AdaBoost dalam mengklasifikasikan sentimen masyarakat terkait pinjaman online. Data yang digunakan dalam penelitian ini adalah komentar pengguna di media sosial twitter terkait pinjaman online. Metode yang digunakan untuk mengolah data adalah SEMMA (Sample, explore, modify, model, acces), tahapan tersebut menncakup tahap preprocessing data pemodelan dan evaluasi. Sentiment diklasifikasikan kedalam kelas positif, negatif dan netral dengan menggunakan kamus lexicon base bahasa indonesia. Model yang dibangun menggunakan Algoritma MNB dan AdaBoost untuk dibandingkan performanya. Hasil evaluasi model menunjukan menunjukkan bahwa algoritma AdaBoost memiliki kinerja yang lebih baik dibandingkan dengan algoritma MNB dalam mengklasifikasikan sentimen masyarakat terkait pinjaman online. Hal ini dibuktikan dengan nilai akurasi dari algoritma AdaBoost sebesar 76%, sedankan akurasi dari algoritma MNB sebesar 71%.


Keywords


Analisis sentimen; Pinjaman online; Multinomial Naive Bayes; AdaBoost, klasifikasi; Data Mining

Full Text:

PDF

References


A. Z. Nihayah, I. Kahrismasuci, M. R. Chamami, and L. H. Rifqi, “Edukasi Keuangan Digital dalam Memanfaatkan Jasa Pinjaman Online,” Bubungan Tinggi J. Pengabdi. Masy., vol. 5, no. 1, p. 231, 2023, doi: 10.20527/btjpm.v5i1.7325.

A. F. I. Muhammad Imam Ghozali, Wibowo Harry Sugiharto, “Analisis Sentimen Pinjaman Online Di Media Sosial Twitter Menggunakan Metode Naive Bayes,” KLIK Kaji. Ilm. Inform. dan Komput., vol. 33, no. 1, pp. 1–12, 2022, doi: 10.30865/klik.v3i6.936.

M. Zaki Hariansyah, “Implementasi Metode Multinomial Naive Bayes pada Analisis Sentimen Terhadap Layanan Aplikasi Livin by Mandiri Implementation of Naive Bayes Multinomial Method on Sentiment Analysis of Livin by Mandiri Application Services,” Semin. Nas. Mhs. Fak. Teknol. Inf. Jakarta-Indonesia, no. September, pp. 517–524, 2022, [Online]. Available: https://senafti.budiluhur.ac.id/index.php

F. Koto and G. Y. Rahmaningtyas, “Inset lexicon: Evaluation of a word list for Indonesian sentiment analysis in microblogs,” Proc. 2017 Int. Conf. Asian Lang. Process. IALP 2017, vol. 2018-Janua, no. December, pp. 391–394, 2017, doi: 10.1109/IALP.2017.8300625.

Y. Azhar, “Metode Lexicon-Learning Based Untuk Identifikasi Tweet Opini Berbahasa Indonesia,” J. Nas. Pendidik. Tek. Inform., vol. 6, no. 3, p. 237, 2018, doi: 10.23887/janapati.v6i3.11739.

A. Sentia, “Multinomial Naïve Bayes Classifier Untuk Analisis Sentimen,” no. December, pp. 0–8, 2023.

Zelin Gaa Ngilo and Nuryuliani Nuryuliani, “Analisis Sentimen Opini Pengguna Twitter Pada Aplikasi Bibit Menggunakan Multinomial Naïve Bayes,” J. Tek. dan Sci., vol. 2, no. 1, pp. 08–15, 2023, doi: 10.56127/jts.v2i1.521.

F. Syah, H. Fajrin, A. N. Afif, M. R. Saeputra, D. Mirranty, and D. D. Saputra, “Analisa Sentimen Terhadap Twitter IndihomeCare Menggunakan Perbandingan Algoritma Smote, Support Vector Machine, AdaBoost dan Particle Swarm Optimization,” J. JTIK (Jurnal Teknol. Inf. dan Komunikasi), vol. 7, no. 1, pp. 53–58, 2023, doi: 10.35870/jtik.v7i1.686.

A. Wahyu, N. Faizi, and K. Nugroho, “Penerapan Metode Adaptive Boosting Pada Analisis Sentimen Kenaikan BBM Pertamina,” vol. 08, no. 2016, pp. 171–180, 2023.

A. P. Natasuwarna, “Tantangan Menghadapi Era Revolusi 4.0 - Big Data dan Data Mining,” Sindimas, vol. 1, no. 1, pp. 23–27, 2019, [Online]. Available: https://www.sisfotenika.stmikpontianak.ac.id/index.php/sindimas/article/view/530

M. Munarsih and B. A. Ningsi, “Performance Comparison of Data Mining Classification Algorithms on Student Academic Achievement Prediction,” Indones. J. Artif. Intell. Data Min., vol. 6, no. 1, p. 29, 2023, doi: 10.24014/ijaidm.v6i1.21874.

H. Hassani, C. Beneki, S. Unger, M. T. Mazinani, and M. R. Yeganegi, “Text mining in big data analytics,” Big Data Cogn. Comput., vol. 4, no. 1, pp. 1–34, 2020, doi: 10.3390/bdcc4010001.

A. Sabrani, I. W. Gede Putu Wirarama Wedashwara, and F. Bimantoro, “Metode Multinomial Naïve Bayes Untuk Klasifikasi Artikel Online Tentang Gempa Di Indonesia (Multinomial Naïve Bayes Method for Classification of Online Article About Earthquake in Indonesia),” Jtika, vol. 2, no. 1, pp. 91–92, 2020, [Online]. Available: http://jtika.if.unram.ac.id/index.php/JTIKA/

F. Hadaina and U. Budiyanto, “Implementasi Metode Multinomial Naïve Bayes Untuk Sentiment Analysis Terhadap Data Ulasan Produk Colearn Pada Google Play Store Implementation Of Multinomial Naive Bayes Method For Sentiment Analysis Of Colearn Product Review Data On Google Play Store,” Semin. Nas. Mhs. Fak. Teknol. Inf. Jakarta-Indonesia, no. September, pp. 660–666, 2022, [Online]. Available: https://senafti.budiluhur.ac.id/index.php

R. Rabbani, I. Wahidah, and I. H. Santoso, “Klasifikasi Data Deteksi Jatuh Menggunakan Machine Learning dengan Algoritma Adaptive Boosting (AdaBoost),” e-Proceeding Eng., vol. 8, no. 5, pp. 5053–5063, 2021.




DOI: https://doi.org/10.24114/cess.v9i2.57844

Article Metrics

Abstract view : 73 times
PDF - 44 times

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

CESS (Journal of Computer Engineering, System and Science)

Creative Commons License
CESS (Journal of Computer Engineering, System and Science) is licensed under a Creative Commons Attribution 4.0 International License