Mapping Opini Publik Terhadap Calon PNS Yang Mundur Setelah Lolos Dengan Teknik Berbasis Multinomial Naive Bayes

Rizmawan Iqbal Lutfi, Bagus Setya Rintyarna, Wiwik Suharso

Abstract


Sejumlah 105 calon pegawai negeri sipil yang lolos seleksi tahun 2021 ditemukan mundur dan menyebabkan komentar netizen Indonesia melalui media sosial terutama YouTube. Komentar pengguna YouTube digunakan untuk melihat seberapa besar sentimen negatif, positif, netral sehingga menjadi sumber analisis penelitian, menganalisis komentar dimaksud untuk mengetahui dampak video  dan umpan balik publik berupa sentimen positif atau negatif mengenai pengunduruan diri calon pegawai negeri sipil yang lolos seleksi melalui video di chanel YouTobe. Penelitian ini akan membandingkan hasil akurasi, presisi, recall dan f-measure dari proses klasfikasi Multinomial Naïve Bayes setelah dan tanpa menggunakan seleksi fitur Chi-Square. Hasil performa akurasi, presisi, recall, f-measure tertinggi yang dihasilkan metode Multinomial Naïve Bayes tanpa seleksi fitur Chi-Square menghasilkan nilai 55%. Sedangkan hasil performa akurasi tertinggi metode Multinomial Naïve Bayes menggunakan seleksi fitur Chi-Square dengan 400 fitur diperoleh nilai  82%, nilai presisi 82%, nilai recall sebesar 81%, nilai f-measure sebesar 82%. Pada penelitian ini seleksi fitur Chi-Square dapat meningkatkan performa akurasi, presisi, recall dan f-measure

Keywords: Analisis Sentimen, Chi-Square, Multinomial Naïve Bayes, TF-IDF, YouTube


Full Text:

PDF

References


Agarwal, S., & Sureka, A. (2015). Topic-specific YouTube crawling to detect online radicalization. Databases in Networked Information Systems: 10th International Workshop, DNIS 2015, Aizu-Wakamatsu, Japan, March 23-25, 2015. Proceedings 10, 133–151.

Ailiyya, S. (2020). Analisis Sentimen Berbasis aspek Pada Ulasan Aplikasi Tokopedia Menggunakan Support Vector Machine.

Astari, Y., & Wahib Rozaqi, S. (2021). Analisis Sentimen Multi-Class pada Sosial Media menggunakan metode Long Short-Term Memory (LSTM). In JLK (Vol. 4, Issue 1).

Dzulfaroh, A. N. (2022, May 31). Ratusan CPNS Mengundurkan Diri, Apakah Jadi PNS Bukan Lagi Idaman. https://www.kompas.com/tren/read/2022/05/31/120000365/ratusan-cpns-mengundurkan-diri-apakah-jadi-pns-bukan-lagi-idaman-?page=all

Hussein, D. M. E. D. M. (2018). A survey on sentiment analysis challenges. Journal of King Saud University - Engineering Sciences, 30(4), 330–338. https://doi.org/10.1016/j.jksues.2016.04.002

Kamyab, M., Liu, G., & Adjeisah, M. (2021). Attention-based CNN and Bi-LSTM model based on TF-IDF and glove word embedding for sentiment analysis. Applied Sciences, 11(23), 11255.

Kemp, S. (2022). Digital 2022 : Indonesia. https://datareportal.com/reports/digital-2022-indonesia

Kencana, C. G., & Sibaroni, Y. (2019). Klasifikasi Sentiment Analysis pada Review Buku Novel Berbahasa Inggris dengan Menggunakan Metode Support Vector Machine (SVM). EProceedings of Engineering, 6(3).

Kurniawan, T. (2017). Implementasi Text Mining Pada Analisis Sentimen Pengguna Twitter Terhadap Media Mainstream Menggunakan Naïve Bayes Classifier Dan Support Vector Machine. Institut Teknologi Sepuluh Nopember.

Ling, J., Kencana, I., & Oka, T. B. (2014). Analisis Sentimen Menggunakan Metode Naïve Bayes Classifier Dengan Seleksi Fitur Chi Square. E-Jurnal Matematika, 3(3), 92–99.

Manning, C. D. (2009). An introduction to information retrieval. Cambridge university press.

Mayasari, L., & Indarti, D. (2022). Klasifikasi Topik Tweet Mengenai Covid Menggunakan Metode Multinomial Naive Bayes Dengan Pembobotan TF-IDF. Jurnal Ilmiah Informatika Komputer, 27(1), 43–53.

Mishra, R. K., & Urolagin, S. (2019). A Sentiment analysis-based hotel recommendation using TF-IDF Approach. 2019 International Conference on Computational Intelligence and Knowledge Economy (ICCIKE), 811–815.

McCallum, A., & Nigam, K. (1998). A comparison of event models for naive bayes text classification. AAAI-98 Workshop on Learning for Text Categorization, 752(1), 41–48.

Pradana, R. P., Arifianto, D., & Al Faruq, H. A. (2021). Sentiment Analysis Komentar Youtube Samsung S20 Menggunakan Metode Majority Vote Samsung S20 Youtube Comments Sentiment Analysis Using Majority Vote Method. Jurnal Smart Teknologi, 3(1), 12–21.

Ramdani R Ananda Rizki, & Adisantoso, J. (2014). Documents Classification Using Rocchio Method With Feature Selection Using Chi-square. Skripsi Mahasiswa Ekstensi, 1(2).

Ruli Siregar, R. A., Amelia Sinaga, F., Arianto, R., Studi Sarjana Teknik Informatika, P., & Tinggi Teknik PLN Jakarta Jalan Lingkar Luar Barat Menara PLN Cengkareng, S. (2017). Aplikasi Penentuan Dosen Penguji Skripsi Menggunakan Metode TF-IDF Dan Vector Space Model. In Computatio: Journal of Computer Science and Information Systems (Vol. 1, Issue 2).

Setiawan, A., Fitri Astuti, I., & Harsa Kridalaksana, A. (2015). Klasifikasi Dan Pencarian Buku Refrenssi Akademik Menggunakan Metode Naive Bayes Classifier (NBC) (Studi Kasus : Perpustakaan Daerah Provinsi Kalimantan Timur). In Jurnal Informatika Mulawarman (Vol. 10, Issue 1).

Setiawan, A. R., Rintyama, B. S., & Cahyanto, T. A. (2021). Preferensi Konsumen Terhadap Produk By. U Dan MPWR Dengan Analisis Sentimen Berbasis Multinomial Naïve Bayes Consumer Preferences On By. U And MPWR Products Using Sentimen Analysis Based On Multinomial Naïve Bayes. Jurnal Smart Teknologi, 3(1), 32–40.

Sipayung, E. M., Maharani, H., & Zefanya, I. (2016). Perancangan Sistem Analisis Sentimen Komentar Pelanggan Menggunakan Metode Naive Bayes Classifier. JSI: Jurnal Sistem Informasi (E-Journal), 8(1).

Wirga, E. W. (2017). Analisis Konten Pada Media Sosial Video Youtube Untuk Mendukung Strategi Kampanye Politik. Jurnal Ilmiah Informatika Komputer, 21(1).

Zaman, B., & Winarko, D. E. (2011). Analisis Fitur Kalimat untuk Peringkas Teks Otomatis pada Bahasa Indonesia. In IJCCS (Vol. 5, Issue 2).


Refbacks

  • There are currently no refbacks.


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