Analisis Perbandingan Multinominal NaÃ¯ve Bayes dan Adaboost dalam Mengklasifikasikan Sentimen Terkait Pinjaman Online

Yoga Pangestu; Muhammad Basri

doi:10.24114/cess.v9i2.57844

Authors

Yoga Pangestu Universitas Muhammadiyah Sumatera Utara
Muhammad Basri Universitas Muhammadiyah Sumatera Utara

DOI:

https://doi.org/10.24114/cess.v9i2.57844

Keywords:

Analisis sentimen, Pinjaman online, Multinomial Naive Bayes, AdaBoost, klasifikasi, Data Mining

Abstract

Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja algoritma Multinomial Naive Bayes (MNB) dan AdaBoost dalam mengklasifikasikan sentimen masyarakat terkait pinjaman online. Data yang digunakan dalam penelitian ini adalah komentar pengguna di media sosial twitter terkait pinjaman online. Metode yang digunakan untuk mengolah data adalah SEMMA (Sample, explore, modify, model, acces), tahapan tersebut menncakup tahap preprocessing data pemodelan dan evaluasi. Sentiment diklasifikasikan kedalam kelas positif, negatif dan netral dengan menggunakan kamus lexicon base bahasa indonesia. Model yang dibangun menggunakan Algoritma MNB dan AdaBoost untuk dibandingkan performanya. Hasil evaluasi model menunjukan menunjukkan bahwa algoritma AdaBoost memiliki kinerja yang lebih baik dibandingkan dengan algoritma MNB dalam mengklasifikasikan sentimen masyarakat terkait pinjaman online. Hal ini dibuktikan dengan nilai akurasi dari algoritma AdaBoost sebesar 76%, sedankan akurasi dari algoritma MNB sebesar 71%.

References

A. Z. Nihayah, I. Kahrismasuci, M. R. Chamami, and L. H. Rifqi, œEdukasi Keuangan Digital dalam Memanfaatkan Jasa Pinjaman Online, Bubungan Tinggi J. Pengabdi. Masy., vol. 5, no. 1, p. 231, 2023, doi: 10.20527/btjpm.v5i1.7325.

A. F. I. Muhammad Imam Ghozali, Wibowo Harry Sugiharto, œAnalisis Sentimen Pinjaman Online Di Media Sosial Twitter Menggunakan Metode Naive Bayes, KLIK Kaji. Ilm. Inform. dan Komput., vol. 33, no. 1, pp. 1“12, 2022, doi: 10.30865/klik.v3i6.936.

M. Zaki Hariansyah, œImplementasi Metode Multinomial Naive Bayes pada Analisis Sentimen Terhadap Layanan Aplikasi Livin by Mandiri Implementation of Naive Bayes Multinomial Method on Sentiment Analysis of Livin by Mandiri Application Services, Semin. Nas. Mhs. Fak. Teknol. Inf. Jakarta-Indonesia, no. September, pp. 517“524, 2022, [Online]. Available: https://senafti.budiluhur.ac.id/index.php

F. Koto and G. Y. Rahmaningtyas, œInset lexicon: Evaluation of a word list for Indonesian sentiment analysis in microblogs, Proc. 2017 Int. Conf. Asian Lang. Process. IALP 2017, vol. 2018-Janua, no. December, pp. 391“394, 2017, doi: 10.1109/IALP.2017.8300625.

Y. Azhar, œMetode Lexicon-Learning Based Untuk Identifikasi Tweet Opini Berbahasa Indonesia, J. Nas. Pendidik. Tek. Inform., vol. 6, no. 3, p. 237, 2018, doi: 10.23887/janapati.v6i3.11739.

A. Sentia, œMultinomial NaÃ¯ve Bayes Classifier Untuk Analisis Sentimen, no. December, pp. 0“8, 2023.

Zelin Gaa Ngilo and Nuryuliani Nuryuliani, œAnalisis Sentimen Opini Pengguna Twitter Pada Aplikasi Bibit Menggunakan Multinomial NaÃ¯ve Bayes, J. Tek. dan Sci., vol. 2, no. 1, pp. 08“15, 2023, doi: 10.56127/jts.v2i1.521.

F. Syah, H. Fajrin, A. N. Afif, M. R. Saeputra, D. Mirranty, and D. D. Saputra, œAnalisa Sentimen Terhadap Twitter IndihomeCare Menggunakan Perbandingan Algoritma Smote, Support Vector Machine, AdaBoost dan Particle Swarm Optimization, J. JTIK (Jurnal Teknol. Inf. dan Komunikasi), vol. 7, no. 1, pp. 53“58, 2023, doi: 10.35870/jtik.v7i1.686.

A. Wahyu, N. Faizi, and K. Nugroho, œPenerapan Metode Adaptive Boosting Pada Analisis Sentimen Kenaikan BBM Pertamina, vol. 08, no. 2016, pp. 171“180, 2023.

A. P. Natasuwarna, œTantangan Menghadapi Era Revolusi 4.0 - Big Data dan Data Mining, Sindimas, vol. 1, no. 1, pp. 23“27, 2019, [Online]. Available: https://www.sisfotenika.stmikpontianak.ac.id/index.php/sindimas/article/view/530

M. Munarsih and B. A. Ningsi, œPerformance Comparison of Data Mining Classification Algorithms on Student Academic Achievement Prediction, Indones. J. Artif. Intell. Data Min., vol. 6, no. 1, p. 29, 2023, doi: 10.24014/ijaidm.v6i1.21874.

H. Hassani, C. Beneki, S. Unger, M. T. Mazinani, and M. R. Yeganegi, œText mining in big data analytics, Big Data Cogn. Comput., vol. 4, no. 1, pp. 1“34, 2020, doi: 10.3390/bdcc4010001.

A. Sabrani, I. W. Gede Putu Wirarama Wedashwara, and F. Bimantoro, œMetode Multinomial NaÃ¯ve Bayes Untuk Klasifikasi Artikel Online Tentang Gempa Di Indonesia (Multinomial NaÃ¯ve Bayes Method for Classification of Online Article About Earthquake in Indonesia), Jtika, vol. 2, no. 1, pp. 91“92, 2020, [Online]. Available: http://jtika.if.unram.ac.id/index.php/JTIKA/

F. Hadaina and U. Budiyanto, œImplementasi Metode Multinomial NaÃ¯ve Bayes Untuk Sentiment Analysis Terhadap Data Ulasan Produk Colearn Pada Google Play Store Implementation Of Multinomial Naive Bayes Method For Sentiment Analysis Of Colearn Product Review Data On Google Play Store, Semin. Nas. Mhs. Fak. Teknol. Inf. Jakarta-Indonesia, no. September, pp. 660“666, 2022, [Online]. Available: https://senafti.budiluhur.ac.id/index.php

R. Rabbani, I. Wahidah, and I. H. Santoso, œKlasifikasi Data Deteksi Jatuh Menggunakan Machine Learning dengan Algoritma Adaptive Boosting (AdaBoost), e-Proceeding Eng., vol. 8, no. 5, pp. 5053“5063, 2021.