Bilah Samping Artikel

Unduh
PDF
Statistik
Baca Penghitung : 416 Unduh : 388

Unduhan

Data unduhan belum tersedia.

Isi Artikel Utama

Abstrak

Minyak goreng merupakan kebutuhan dasar bagi masyarakat Indonesia. Indonesia mengalami kelangkaan minyak pada bulan maret 2022. Hal ini sudah menjadi perbincangan hangat di media sosial twitter pada bulan maret lalu, banyak masyarakat yang beranggapan positif maupun negatif. Namun dibalik itu semua terdapat perbedaan penilaian dari pihak-pihak yang merasakan pro dan kontra, berbagai pihak memiliki sudut pandang yang berbeda. Pada artikel ini melakukan analisis sentimen terhadap respon masyarakat terkait kelangkaan minyak goreng menggunakan sebuah dataset yang didapatkan dari platform digital twitter. Artikel ini mempunyai tujuan untuk mengelompokkan tweets terkait kelangkaan minyak goreng ke dalam sentimen positif dan negatif menggunakan strategi machine learning dengan metode Naive Bayes dan lexicon based. Algoritma ini dipilih untuk memudahkan pengguna yang berkepentingan melakukan perbandingan metode serta mengetahui seberapa akurat, yang dimana tingkat akurasi yang didapatkan dari metode lexicon 42% serta metode yang menggunakan naïve bayes classifier 72%. Menunjukan hasil analisis terkait kelangkaan minyak goreng dengan nilai netral dan juga tingkat akurasi yang paling tinggi yaitu pada metode yang menggunakan naïve bayes classifier dibandingkan metode yang menggunakan lexicon based

Kata Kunci

minyak goreng naive bayes classifier lexicon based cooking oil, naïve bayes classifier, lexicon based

Rincian Artikel

Biografi Penulis

Faldy Irwiensyah, Universitas Muhammadiyah Prof. Dr. Hamka

Program Studi Teknik Informatika

Firman Noor Hasan, Universitas Muhammadiyah Prof. Dr. Hamka

Universitas Muhammadiyah Prof. Dr. Hamka

Cara Mengutip
Irwiensyah, F., & Hasan, F. N. (2023). Perbandingan Akurasi Metode Naïve Bayes Classifier dan Lexicon Based Pada Analisis Sentimen Respon Masyarakat Tentang Kebijakan Kenaikan Harga Minyak Goreng. Jurnal Teknik Informatika Dan Komputer, 2(1), 18–23. https://doi.org/10.22236/jutikom.v2i1.11500
Unduh Sitasi
Endnote/Zotero/Mendeley (RIS)
BibTeX

Referensi

  1. Amrustian, M. A., Widayat, W., & Wirawan, A. M. (2022). Analisis Sentimen Evaluasi Terhadap Pengajaran Dosen di Perguruan Tinggi Menggunakan Metode LSTM. 6, 535–541. https://doi.org/10.30865/mib.v6i1.3527
  2. Badryah, & Rasmito, A. (2018). Pemanfaatan Kunyit Untuk Meningkatkan Kualitas Minyak Goreng Curah. Jurnal Teknik Industri Dan Kimia, 1(1), 7–15. https://doi.org/https://doi.org/10.54980/jtik.v1i1.59
  3. Dewi, S. M., Syahputri, A. N., Deni, K., Sari, A. P., & Damanik, I. S. (2021). Sistem Pendukung Keputusan Penentuan Produk Minyak Goreng Kemasan dikalangan Masyarakat dengan Metode MFEP (Multi Factor Evaluation Process). Seminar Nasional Sains Dan Teknologi Informasi (SENSASI), 2021, 577–580.
  4. Firly, S. . R., & Nurrahmah, A. (2020). Analisis perbandingan penggunaan minyak curah dan minyak kemasan menggunakan uji hipotesis dua proporsi. Bulletin of Applied Industrial Engineering Theory, 2(1), 65–66.
  5. Franko, G., Tarigan, J., & Pinem, L. J. (2021). Agriprimatech Vol. 4 No. 2, April 2021. 4(2), 57–64.
  6. Ftiri, A., Margasaty, F., Kusmaria, Desfaryani, R., & Dewi, V. U. (2020). Peramalan Harga Minyak Goreng Di Tengah Pandemi Covid-19 Kota Bandar Lampung. Jurnal DwijenAGRO, 10(1), 21–26. https://doi.org/https://doi.org/10.46650/dwijenagro.10.1.859.21-26
  7. Hasan, F. N., Aziz, A. S., & Nofendri, Y. (2023). Utilization of Data Mining on MSMEs using FP-Growth Algorithm for Menu Recommendations. MATRIK: Jurnal Manajemen, Teknik Informatika, Dan Rekayasa Komputer, 22(2), 261–270. https://doi.org/10.30812/matrik.v22i2.2166
  8. Hasan, F. N., & Dwijayanti, M. (2021). Analisis Sentimen Ulasan Pelanggan Terhadap Layanan Grab Indonesia Menggunakan Multinominal Naïve Bayes Classifier. Jurnal Linguistik Komputasional, 4(2), 52–58. https://doi.org/https://doi.org/10.26418/jlk.v4i2.61
  9. Hasan, F. N., Sidik, F., & Afikah, P. (2022). Sentiment Analysis of Community Response on Cooking Oil Price Increase Policy with Naïve Bayes Classifier Algorithm. Jurnal Linguistik Komputasional, 5(2), 71–76. https://doi.org/https://doi.org/10.26418/jlk.v5i2.99
  10. Hernikawati. (2021). Kecenderungan Tanggapan Masyarakat Terhadap Vaksin Sinovac Berdasarkan Lexicon Based Sentiment Analysis The Trend of Public Response to Sinovac Vaccine Based on Lexicon Based Sentiment Analysis. Jurnal Ilmu Pengetahuan Dan Teknologi Komunikasi, 23(1), 21–31.
  11. Prabowo, W. A., & Wiguna, C. (2021). Sistem Informasi UMKM Bengkel Berbasis Web Menggunakan Metode SCRUM. Jurnal Media Informatika Budidarma, 5(1), 149. https://doi.org/10.30865/mib.v5i1.2604
  12. Putra, N. A., & Azara, R. (2021). Comparative of the Quality of Cooking Oil With Four Times Frying on Packaged and Bulk Cooking Oil. Journal of Tropical Food and Agroindustrial Technology, 2(1), 9–14. https://doi.org/https://doi.org/10.21070/jtfat.v2i01.1576
  13. Safira, A., & Hasan, F. N. (2023). Analisis Sentimen Masyarakat Terhadap Paylater Menggunakan Metode Naive Bayes Classifier. ZONAsi: Jurnal Sistem Informasi, 5(1), 59–70. https://doi.org/https://doi.org/10.31849/zn.v5i1.12856
  14. Sidik, F., Suhada, I., Anwar, A. H., & Hasan, F. N. (2022). Analisis Sentimen Terhadap Pembelajaran Daring Dengan Algoritma Naive Bayes Classifier. Jurnal Linguistik Komputasional, 5(1), 34–43. https://doi.org/https://doi.org/10.26418/jlk.v5i1.79
  15. Sinaga, D. M., Rusdina R, Alfah, R., Perdana Windarto, A., & Wanto, A. (2019). Analisis Metode ELECTRE Pada Pemilihan Produk Minyak Goreng Kemasan Terbaik Berdasarkan Konsumen. Science and Informatic V5.I2, 5(2), 129–135.
  16. Sudiantoro, A. V., Zuliarso, E., Studi, P., Informatika, T., Informasi, F. T., Stikubank, U., & Mining, T. (2018). Analisis Sentimen Twitter Menggunakan Text Mining Dengan. 10(2), 398–401.
  17. Widjaja, G. (2022). HILANGNYA MINYAK GORENG DARI PASAR. File:///C:/Users/Fajar Sidik/Downloads/675-729-1-PB.Pdf, 2(2), 1–11.