SENTIMENT ANALISIS OPINI MASYARAKAT SISTEM GANJIL GENAP DI TWITTER MENGGUNAKAN ALGORITMA NAIVE BAYES CLASSIFIER DAN ALGORITMA K-NN

Acep Setiawan; Arafat Febriandirza;

Sentiment Analisis Opini Masyarakat Sistem Ganjil Genap di Twitter
Menggunakan Algoritma Naive Bayes Classifier dan Algoritma K-NN

Acep Setiawan

Abstrak jurnal ini membahas analisis sentimen opini publik terkait penerapan sistem ganjil-genap
di Twitter, dengan menggunakan algoritma K-NN dan Naïve Bayes Classifier. Sistem ganjil-genap
ini dibahas dalam tweet oleh pengguna Twitter, yang menjadi sumber data. Tweet-tweet tersebut
dikategorikan ke dalam tiga kategori sentimen: positif, negatif, dan netral. Hasil analisis
menunjukkan bahwa dari total tweet yang dikumpulkan, 385 dikategorikan sebagai netral, 50
sebagai negatif, dan 48 sebagai positif. Selain itu, ditemukan bahwa algoritma Naïve Bayes
memiliki tingkat akurasi rata-rata sekitar 79,72%.dan algoritma K-Nearst memiliki tingkat akurasi
rata-rata sekitar 16,81%. Ini menunjukkan bahwa kedua algoritma memiliki perbedaan akurasi
dalam mengklasifikasikan sentimen tweet yang dibahas. Terkait dengan analisis sentimen opini
publik di platform Twitter, kesimpulan ini memperjelas perbandingan kinerja antara algoritma
Naïve Bayes dan K-Nearest Neighbor.
Kata kunci: Analisis Sentimen, Opini Masyarakat, Twitter, Sistem Ganjil Genap,
Algoritma Naïve Bayes Classifier, Algoritma K-Nearest Neighbor, Akurasi.

Sentiment Analysis of Public Opinion on the Odd-Even System on Twitter
Using the Naïve Bayes Classifier and K-NN Algorithm.

Acep Setiawan

The abstract of this journal discusses sentiment analysis of public opinion regarding the
implementation of the odd-even traffic system on Twitter, using the K-NN algorithm and Naïve Bayes
Classifier. This odd-even system is discussed in tweets by Twitter users, which serve as the data
source. These tweets are categorized into three sentiment categories: positive, negative, and neutral.
The analysis results show that out of the total collected tweets, 385 were categorized as neutral, 50
as negative, and 48 as positive. Additionally, it was found that the Naïve Bayes algorithm had an
average accuracy rate of approximately 79.72%, while the K-Nearest Neighbor algorithm had an
average accuracy rate of around 16.81%. This indicates that the two algorithms have different
accuracy levels in classifying the sentiment of the discussed tweets. Regarding the sentiment analysis
of public opinion on the Twitter platform, these findings clarify the performance comparison
between the Naïve Bayes and K-Nearest Neighbor algorithms.

Keywords: Sentiment Analysis, Public Opinion, Twitter, Odd-Even System, Naïve
Bayes Classifier Algorithm, K-Nearest Neighbor Algorithm, Accuracy.