| dc.identifier.citation | [1] R. Azuma, “A survey of augmented reality,” Presence Teleoperators Virtual Environ., vol. 6, no. 4, pp. 355–385, 1997. [2] F. I. Tanesab, I. Sembiring, and H. D. Purnomo, "Sentiment Analysis Model Based on Youtube Comment Using Support Vector Machine," International Journal of Computer Science and Software Engineering, 2017. [3] B. Liu, Sentiment Analysis and Opinion Mining, Toronto: Morgan & Claypool Publishers, 2012. [4] F. A. Pozzi, E. Fersini, E. Messina and B. Liu, Sentiment Analysis in Social Networks, Cambridge: Todd Green, 2017. [5] NLTK Project, "www.nltk.org," 02 November 2017. [Online]. Available: http://www.nltk.org/. [6] C. Manning and H. Schuetze, Foundations of Statistical Natural Language Processing, London: MIT Press, 1999. [7] F. Romano, D. Phillips and R. v. Hattlen, Python: Journey from Novice to Expert, Birmingham: Packt Publishing Ltd., 2016. [8] Rapid Miner, Operator Refence Manual, Boston: Rapid Miner Inc., 2014. | id_ID |
| dc.description.abstract | Analisis Sentiment merupakan salah satu cabang dari bidang ilmu Text Mining. Analisis
sentiment merupakan sumber penting dalam melakukan evaluasi dan pengambilan keputusan
terhadap sebuah topik permasalahan. Tujuan utama dari analisis sentiment adalah untuk
mengetahui polaritas dari sentiment positif, negatif ataupun netral. Sentiment-sentiment
tersebut salah satunya didapatkan dari Twitter. Dalam tulisan ini, tweet-tweet yang
berhubungan dengan kata kunci yang dicari dikumpulkan dari Twitter dengan menggunakan
API Twitter dan data mentah yang didapatkan diolah dengan menggunakan Natural
Language Toolkit pada bahasa pemrograman Python. Setelah diolah selanjutnya akan
dilakukan klasifikasi dengan menggunakan Naïve Bayes Classifier untuk mengetahui tingkat
akurasi dari proses klasifikasi yang dilakukan. Proses klasifikasi dilakukan dengan
RapidMiner. Dari hasil uji coba sebanyak empat kali, didapatkan hasil tingkat akurasi pada
percobaan pertama sebesar 62.98%, percobaan kedua sebesar 64.95%, percobaan ketiga
sebesar 66.36%, dan percobaan keempat sebesar 66.79%. Dari hasil klasifikasi didapat
tingkat persentase sentiment positif sebesar 28%, sentiment negatif sebesar 20% dan
sentiment netral sebesar 52%. | id_ID |
