ANALISIS SENTIMEN TERHADAP RANGKA E-SAF HONDA PADA MEDIA SOSIAL X DENGAN ALGORITMA NAÏVE BAYES

ade davy wiranata; Akbar Cleary Syafi'i;

Analisis Sentimen Terhadap Rangka E-SAF Honda Pada Media Sosial X

Dengan Algoritma Naïve Bayes
Akbar Cleary Syafi'i

Abstrak− Rangka sepeda motor adalah suatu bagian yang berguna untuk menopang bobot
komponen-komponen tersebut dalam sistem kendaraan sepeda motor. Namun di isukan bahwa suatu
rangka sepeda motor dengan jenis E-SAF memiliki kualitas kurang baik maka diperlukanlah analisis
sentimen. Riset ini bertujuan untuk menghimpun jumlah komentar baik bermuatan positif maupun
bermuatan negatif dari pengguna media sosial X tentang rangka E-SAF, dan juga mengetahui
keakuratan penerapan metode Naive Bayes. Dataset yang di himpun dari media sosial X berjumlah
756 dataset. Kemudian setelah melewati tahapan pembersihan data seperti cleansing, tokenize, dan
filter stopword, data yang dapat digunakan untuk penelitian ini berjumlah 696 dataset. Tahapan
berikutnya adalah pelabelan data yaitu dengan membagi dataset dengan perbandingan 60:40 yaitu
data latih sebesar 60% berjumlah 417 dataset yang sudah dilabeli secara manual dengan hasil data
bermuatan negatif sebanyak 224 data, data bermuatan positif sebanyak 193 data sedangkan data uji
sebesar 40% dengan berjumlah 279 dataset yang nantinya dilabeli secara otomatis dengan
implementasi metode Naive Bayes. Setelah mengimplementasikan metode Naive Bayes, hasil
akurasi yang diperoleh sebesar 70,27% dengan jumlah precision sebesar 76% dan juga jumlah recall
sebesar 79,17%. Dalam Visualisasi Data juga menampilkan kata yang sering muncul dalam dataset.
Disini menunjukkan bahwa metode Naive Bayes cukup efektif untuk klasifikasi analisis sentimen.
Kata Kunci: Analisis Sentimen; Rangka; E-SAF; Naive Bayes; Rapidminer
Abstract− The motorcycle frame is a useful part to support the weight of these components in the
motorcycle vehicle system. However, it is rumored that a motorcycle frame with the E-SAF type
has poor quality, so a sentiment analysis is needed. This research aims to collect the number of
comments, both positive and negative, from social media users X about the E-SAF framework, and
also to determine the accuracy of the application of the Naive Bayes method. The datasets collected
from social media X amounted to 756 datasets. Then after going through the stages of data cleaning
such as cleansing, tokenize, and stopword filters, the data that can be used for this research amounted
to 696 datasets. The next stage is data labeling, namely by dividing the dataset with a ratio of 60:40,
namely 60% of the training data totaling 417 datasets that have been manually labeled with the
results of 224 negatively charged data, 193 positively charged data while the test data is 40% with
a total of 279 datasets which will later be automatically labeled with the implementation of the Naive
Bayes method. After implementing the Naive Bayes method, the accuracy obtained was 70.27%
with a precision of 76% and also a recall of 79.17%. Data Visualization also displays words that
appear frequently in the dataset. Here it shows that the Naive Bayes method is quite effective for the
classification of sentiment analysis.
Keywords: Sentiment Analysis; Frame; E-SAF; Naïve Bayes; Rapidminer