Analisis Klasifikasi Tweet Suatu Akun Film Production Dengan Kontent-based Dan Time-based Menggunakan Metode Naive Bayes
DOI:
https://doi.org/10.34818/eoe.v9i3.17949Abstract
Abstrak
Pada era digital yang serba modern ini, media sosial menjadi sarana atau platform untuk menyebarkan berbagai macam informasi secara mudah. Twitter merupakan salah satunya, twitter sendiri adalah sebuahmedia sosial yang bisa menyebarkan suatu informasi melalui tweet (kata kata yang diunggah oleh pengguna). Tweet bisa mengandung berbagai macam informasi, pembahasan, video, gambar maupun tautan ke suatu website. Suatu tweet akan disebarkan dari suatu pengguna ke pengguna lainnya dengan cara me-meretweetnya. Pada penelitian ini bertujuan untuk menganalisa apakah suatu tweet akan di retweet oleh pengguna lainnya dengan menggunakan fitur kontent-based dan time-based dengan metode klasifikasi naïve bayes serta menggunakan k-fold cross validation dengan nilai k=5 untuk melakukan splitdata. Hasil performansi yang didapatkan dengan menerapkan metode tersebut berupa nilai ratarata akurasi 61,36%, rata-rata precision yang didapatkan sebesar 65,06%, rata-rata untuk recall sebesar 55,61%, lalu rata-rata untuk f1-score sebesar 50,49%.
References
[1] R. E. Putri, Suparti, and R. Rahmawati, “Perbandingan Metode Klasifikasi Naãve Bayes Dan K-Nearest Neighbor Pada Analisis Data Status Kerja Di Kabupaten Demak Tahun 2012,” J. Gaussian, vol. 3, no. 4, pp. 831–838, 2014.
[2] L. Hong and B. D. Davison, “[2011WWW]Predicting popular messages in Twitter.pdf,” pp. 57–58, 2011.
[3] T. B. N. Hoang and J. Mothe, “Predicting information diffusion on Twitter – Analysis of predictive features,” J. Comput. Sci., vol. 28, pp. 257–264, 2018, doi: 10.1016/j.jocs.2017.10.010.
[4] L. Binarwati, I. Mukhlash, and S. Soetrisno, “Implementasi Algoritma Genetika untuk Optimalisasi Random Forest dalam Proses Klasifikasi Penerimaan Tenaga Kerja Baru : Studi Kasus PT.XYZ,” J. Sains dan Seni ITS, vol. 6, no. 2, pp. 2–6, 2017, doi: 10.12962/j23373520.v6i2.26887.
[5] M. Athaillah, Y. Azhar, and Y. Munarko, “Perbandingan Metode Klasifikasi Berita Hoaks Berbahasa Indonesia Berbasis Pembelajaran Mesin,” J. Repos., vol. 2, no. 5, p. 675, 2020, doi: 10.22219/repositor.v2i5.692.
[6] F. Fanesya, R. C. Wihandika, and Indriati, “Deteksi Emosi Pada Twitter Menggunakan Metode Naïve Bayes Dan Kombinasi Fitur,” vol. 3, no. 7, pp. 6678–6686, 2019.
[7] M. C. Wijanto, “Sistem Pendeteksi Pengirim Tweet dengan Metode Klasifikasi Naive Bayes,” J. Tek. Inform. dan Sist. Inf., vol. 1, no. 2, pp. 172–182, 2015, doi: 10.28932/jutisi.v1i2.378.
[8] S. Suryono, E. Utami, and E. T. Luthfi, “Klasifikasi Sentimen Pada Twitter Dengan Naive Bayes Classifier,” Angkasa J. Ilm. Bid. Teknol., vol. 10, no. 1, p. 89, 2018, doi: 10.28989/angkasa.v10i1.218.
[9] S. Syarli and A. Muin, “Metode Naive Bayes Untuk Prediksi Kelulusan (Studi Kasus: Data Mahasiswa Baru Perguruan Tinggi),” J. Ilm. Ilmu Komput., vol. 2, no. 1, pp. 22–26, 2016.
[10] J. Eka Sembodo, E. Budi Setiawan, and Z. Abdurahman Baizal, “Data Crawling Otomatis pada Twitter,” no. August, pp. 11–16, 2016, doi: 10.21108/indosc.2016.111.
[11] A. Saleh, “Implementasi Metode Klasifikasi Naïve Bayes Dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga,” Creat. Inf. Technol. J., vol. 2, no. 3, pp. 207–217, 2015.
[12] Alvina Felicia Watratan, Arwini Puspita. B, and Dikwan Moeis, “Implementasi Algoritma Naive Bayes Untuk Memprediksi Tingkat Penyebaran Covid-19 Di Indonesia,” J. Appl. Comput. Sci. Technol., vol. 1, no. 1, pp. 7–14, 2020, doi: 10.52158/jacost.v1i1.9.
[13] I. Maulida, A. Suyatno, H. Rahmania Hatta, and U. Mulawarman, “Seleksi Fitur Pada Dokumen Abstrak Teks Bahasa Indonesia Menggunakan Metode Information Gain,” Oktober 2016 Ijccs, vol. 17, no. 2, pp. 1–5, 2016.
