Analisis Sentimen pada Data Logbook KKN Mahasiswa Fakultas Ilmu Komputer Universitas Brawijaya menggunakan Polyglot NLP
Kata Kunci:
analisis sentimen, confusion matrix, akurasi, polyglot nlpAbstrak
Pengabdian Kepada Masyarakat/Kuliah Kerja Nyata (KKN) adalah salah satu bentuk kegiatan belajar mahasiswa yang dilakukan di luar kampus. Kegiatan Kuliah Kerja Nyata (KKN) terdiri dari banyak rangkaian kegiatan yang telah disusun sebelumnya. Oleh karena itu mahasiswa harus mengisi logbook kegiatan selama KKN berlangsung untuk merekam kegiatan yang dilakukan secara detail. Pada penelitian ini dilakukan analisis terhadap data logbook KKN mahasiswa Fakultas Ilmu Komputer dengan melakukan identifikasi pada kolom uraian kegiatan kedalam sentimen negatif dan sentimen positif. Proses identifikasi dilakukan dengan menggunakan bantuan Polyglot NLP. Terdapat beberapa tahapan dalam melakukan identifikasi sentimen yaitu case folding, tokenization, kemudian proses identifikasi. Perhitungan tingkat akurasi antara nilai prediksi dan nilai aktual dilakukan dengan confusion matrix. Berdasarkan hasil yang didapatkan pada pengujian nilai accuracy mendapatkan hasil sebesar 69%, pada pengujian nilai precision mendapatkan hasil sebesar 90.28%, pengujian recall mendapatkan nilai sebesar 73.03%, dan perhitungan f-measure mendapatkan hasil sebesar 80.75%.
Referensi
Abdul, A.A.S., Indriati, Ridok, A., 2022. Analisis Sentimen Data Tweets terhadap Penanganan Covid-19 di Indonesia menggunakan Metode Naïve Bayes dan Pemilihan Kata Bersentimen menggunakan Lexicon Based. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, 6(4), pp.1865-1872.
Aulia, G.N., Patriya, E., 2019. Implementasi Lexicon Based dan Naïve Bayes Pada Analisis Sentimen Pengguna Twitter Topik Pemilihan Presiden 2019. Jurnal Ilmiah Informatika Komputer, 24(2).
Berliana, G., Shaufiah, & Sa'adah, S., 2018. Klasifikasi Posting Tweet mengenai Kebijakan Pemerintah Menggunakan Naive Bayesian Classification. e-Proceeding of Engineering, p. 1562.
Caelen, O. (2017). A Bayesian Interpretation of the Confusion matrix. Annals of Mathematics and Artificial Intelligence, 81(3-4), pp.429-450.
Chen, Y., Skiena, S. 2014. Building Sentiment Lexicons for All Major Languages. Proceedings of the 52nd Annual Meeting of the Association for Computational Linguistics, pp.383-389.
Deolika, A., Kusrini, K. dan Luthfi, E.T., 2019. Analisis Pembobotan Kata Pada Klasifikasi Text Mining. Jurnal Teknologi Informasi, 3(2), pp.179–184.
Dharmawan, L.R., Arwani, I., Ratnawati, D.E. 2020. Analisis Sentimen pada Sosial Media Twitter Terhadap Layanan Sistem Informasi Akademik Mahasiswa Universitas Brawijaya dengan Metode K-Nearest Neighbor. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, 4(3), pp.959-965.
Fakultas Ilmu Komputer. 2021. Panduan Penyelesaian dan Evaluasi Pengabdian Kepada Masyarakat/Kuliah Kerja Nyata Tematik (KKNT) Fakultas Ilmu Komputer Universitas Brawijaya. [online] Tersedia pada: < https://filkom.ub.ac.id/wp-content/uploads/2021/09/Panduan-KKNT.pdf> [Diakses 26 Februari 2023]
Fathullah, N.S., Sari, Y.A. dan Adikara, P.P.,2020. Analisis Sentimen Terhadap Rating dan Ulasan Film dengan menggunakan Metode Klasifikasi Naïve Bayes dengan Fitur Lexicon-Based. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 4(2),pp.590–593.
Grandis, G.F., 2021. Seleksi Fitur Gain Ratio pada Analisis Sentimen Kebijakan Pemerintah Mengenai Pembelajaran Jarak Jauh dengan K-Nearest Neighbor. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, 5(8), pp.3507-3514.
Gumilang, Z.A.N., 2018. Implementasi Naive Bayes Classifier dan Asosiasi untuk Analisis Sentimen Data Ulasan Aplikasi E-Commerce Shopee pada Situs Google Play.
Gunawan, B., 2018. Sistem Analisis Sentimen pada Ulasan Produk Menggunakan Metode Naive Bayes. Jurnal Edukasi dan Penelitian Informatika. 4(2).
Halim, M.I., Dwi, A., T, A.N.S. dan T, C.S.S., 2017. Analisis Sentimen Menggunakan Metode Learning Vector Quantization Sentiment Analysis Using Learning Vector Quantization Method. e-Proceeding of Engineering, 4(2), pp.2283–2292.
Kararisma, R., Lestari, S. (2022). APLIKASI KLASIFIKASI SENTIMEN PADA ULASAN SMARTPHONE DI SITUS JUAL BELI ONLINE BERBASIS WEB MENGGUNAKAN NAIVE BAYES DENGAN TF-IDF. Jurnal Mahasiswa Teknik Informatika, 6(1).
Medhat, W., Hassan, A. dan Korashy, H., 2014. Sentiment analysis algorithms and applications: A survey. Ain Shams Engineering Journal, 5(4), pp.1093–1113.
Polyglot. 2014. Retrieved from Polyglot: https://polyglot.readthedocs.io/en/latest/index.html
Trivedi, S. K., Dey, S. & Kumar, A., 2017. Capturing user sentiments for online Indian movie reviews: A comparative analysis of different machine-learning models. The Electronic Library.
Web64. 2015. Retrieved from web64: https://web64.com
Web64. 2018. Retrieved from web64: https://github.com/web64/nlpserver
Xu, J., Zhang, Y., & Miao, D. (2020). Three-way confusion matrix for classification: A measure driven view. Information Sciences, 507, 772–794.
Yeremia, D., M., Ratnawati, D., E., Brata., D.,W., 2023. Analisis Sentimen Terhadap Kenaikan Cukai Rokok pada Media Sosial Twitter menggunakan Algoritma Naïve Bayes Classifier.
Abdul, A.A.S., Indriati, Ridok, A., 2022. Analisis Sentimen Data Tweets terhadap Penanganan Covid-19 di Indonesia menggunakan Metode Naïve Bayes dan Pemilihan Kata Bersentimen menggunakan Lexicon Based. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, 6(4), pp.1865-1872.
Aulia, G.N., Patriya, E., 2019. Implementasi Lexicon Based dan Naïve Bayes Pada Analisis Sentimen Pengguna Twitter Topik Pemilihan Presiden 2019. Jurnal Ilmiah Informatika Komputer, 24(2).
Berliana, G., Shaufiah, & Sa'adah, S., 2018. Klasifikasi Posting Tweet mengenai Kebijakan Pemerintah Menggunakan Naive Bayesian Classification. e-Proceeding of Engineering, p. 1562.
Caelen, O. (2017). A Bayesian Interpretation of the Confusion matrix. Annals of Mathematics and Artificial Intelligence, 81(3-4), pp.429-450.
Chen, Y., Skiena, S. 2014. Building Sentiment Lexicons for All Major Languages. Proceedings of the 52nd Annual Meeting of the Association for Computational Linguistics, pp.383-389.
Deolika, A., Kusrini, K. dan Luthfi, E.T., 2019. Analisis Pembobotan Kata Pada Klasifikasi Text Mining. Jurnal Teknologi Informasi, 3(2), pp.179–184.
Dharmawan, L.R., Arwani, I., Ratnawati, D.E. 2020. Analisis Sentimen pada Sosial Media Twitter Terhadap Layanan Sistem Informasi Akademik Mahasiswa Universitas Brawijaya dengan Metode K-Nearest Neighbor. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, 4(3), pp.959-965.
Fakultas Ilmu Komputer. 2021. Panduan Penyelesaian dan Evaluasi Pengabdian Kepada Masyarakat/Kuliah Kerja Nyata Tematik (KKNT) Fakultas Ilmu Komputer Universitas Brawijaya. [online] Tersedia pada: < https://filkom.ub.ac.id/wp-content/uploads/2021/09/Panduan-KKNT.pdf> [Diakses 26 Februari 2023]
Fathullah, N.S., Sari, Y.A. dan Adikara, P.P.,2020. Analisis Sentimen Terhadap Rating dan Ulasan Film dengan menggunakan Metode Klasifikasi Naïve Bayes dengan Fitur Lexicon-Based. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 4(2),pp.590–593.
Grandis, G.F., 2021. Seleksi Fitur Gain Ratio pada Analisis Sentimen Kebijakan Pemerintah Mengenai Pembelajaran Jarak Jauh dengan K-Nearest Neighbor. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, 5(8), pp.3507-3514.
Gumilang, Z.A.N., 2018. Implementasi Naive Bayes Classifier dan Asosiasi untuk Analisis Sentimen Data Ulasan Aplikasi E-Commerce Shopee pada Situs Google Play.
Gunawan, B., 2018. Sistem Analisis Sentimen pada Ulasan Produk Menggunakan Metode Naive Bayes. Jurnal Edukasi dan Penelitian Informatika. 4(2).
Halim, M.I., Dwi, A., T, A.N.S. dan T, C.S.S., 2017. Analisis Sentimen Menggunakan Metode Learning Vector Quantization Sentiment Analysis Using Learning Vector Quantization Method. e-Proceeding of Engineering, 4(2), pp.2283–2292.
Kararisma, R., Lestari, S. (2022). APLIKASI KLASIFIKASI SENTIMEN PADA ULASAN SMARTPHONE DI SITUS JUAL BELI ONLINE BERBASIS WEB MENGGUNAKAN NAIVE BAYES DENGAN TF-IDF. Jurnal Mahasiswa Teknik Informatika, 6(1).
Medhat, W., Hassan, A. dan Korashy, H., 2014. Sentiment analysis algorithms and applications: A survey. Ain Shams Engineering Journal, 5(4), pp.1093–1113.
Polyglot. 2014. Retrieved from Polyglot: https://polyglot.readthedocs.io/en/latest/index.html
Trivedi, S. K., Dey, S. & Kumar, A., 2017. Capturing user sentiments for online Indian movie reviews: A comparative analysis of different machine-learning models. The Electronic Library.
Web64. 2015. Retrieved from web64: https://web64.com
Web64. 2018. Retrieved from web64: https://github.com/web64/nlpserver
Xu, J., Zhang, Y., & Miao, D. (2020). Three-way confusion matrix for classification: A measure driven view. Information Sciences, 507, 772–794.
Yeremia, D., M., Ratnawati, D., E., Brata., D.,W., 2023. Analisis Sentimen Terhadap Kenaikan Cukai Rokok pada Media Sosial Twitter menggunakan Algoritma Naïve Bayes Classifier.
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2023 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
