Analisis Sentimen Vaksin Covid-19 Menggunakan Algoritma Naive Bayes dan Perbaikan Kata Levenshtein Distance

Telematika Pub Date : 2022-02-28 DOI:10.31315/telematika.v19i1.6577

Fahmi Reza Prasastio, Heriyanto Heriyanto, Wilis Kaswidjanti

{"title":"Analisis Sentimen Vaksin Covid-19 Menggunakan Algoritma Naive Bayes dan Perbaikan Kata Levenshtein Distance","authors":"Fahmi Reza Prasastio, Heriyanto Heriyanto, Wilis Kaswidjanti","doi":"10.31315/telematika.v19i1.6577","DOIUrl":null,"url":null,"abstract":"Tujuan: Mengetahui seberapa akurat penggunaan perbaikan kata metode Levenshtein Distance terhadap analisis sentimen vaksin Covid-19 menggunakan metode Naïve Bayes.Perancangan/metode/pendekatan: Menerapkan perbaikan kata Levenshtein Distance untuk preprocessing dan algoritma Naïve Bayes dalam melakukan analisis sentimen komentar masyarakat tentang vaksin Covid-19.Hasil: Dengan diterapkannya perbaikan kata pada dataset yang digunakan dapat meningkatkan akurasi dari model Naïve Bayes yang dibangun. Akurasi pengujian menggunakan data uji lama yang berjumlah 479 data meningkat dari 61% menjadi 71% dan pengujian dengan data uji baru yang berjumlah 100 data akurasi meningkat dari 59% menjadi 66%. Namun untuk klasifikasi data testing baru memperoleh akurasi yang cukup rendah walaupun data yang dites hanya berjumlah 100 data, hal ini disebabkan oleh sistem yang kurang mampu dalam melakukan klasifikasi data baru yang belum pernah dilakukan training sebelumnya.Keaslian/ state of the art: Penelitian ini menggunakan data dengan jumlah 2394 data yang berasal dari komentar akun Instagram Kemenkes RI. Untuk preprocessing dilakukan perbaikan kata dengan algoritma Levenshtein Distance dan untuk analisis komentar menggunakan algoritma Naïve Bayes dengan ekstraksi fitur TF-IDF.","PeriodicalId":31716,"journal":{"name":"Telematika","volume":null,"pages":null},"PeriodicalIF":0.0000,"publicationDate":"2022-02-28","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Telematika","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.31315/telematika.v19i1.6577","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}

引用次数: 0

Abstract

Tujuan: Mengetahui seberapa akurat penggunaan perbaikan kata metode Levenshtein Distance terhadap analisis sentimen vaksin Covid-19 menggunakan metode Naïve Bayes.Perancangan/metode/pendekatan: Menerapkan perbaikan kata Levenshtein Distance untuk preprocessing dan algoritma Naïve Bayes dalam melakukan analisis sentimen komentar masyarakat tentang vaksin Covid-19.Hasil: Dengan diterapkannya perbaikan kata pada dataset yang digunakan dapat meningkatkan akurasi dari model Naïve Bayes yang dibangun. Akurasi pengujian menggunakan data uji lama yang berjumlah 479 data meningkat dari 61% menjadi 71% dan pengujian dengan data uji baru yang berjumlah 100 data akurasi meningkat dari 59% menjadi 66%. Namun untuk klasifikasi data testing baru memperoleh akurasi yang cukup rendah walaupun data yang dites hanya berjumlah 100 data, hal ini disebabkan oleh sistem yang kurang mampu dalam melakukan klasifikasi data baru yang belum pernah dilakukan training sebelumnya.Keaslian/ state of the art: Penelitian ini menggunakan data dengan jumlah 2394 data yang berasal dari komentar akun Instagram Kemenkes RI. Untuk preprocessing dilakukan perbaikan kata dengan algoritma Levenshtein Distance dan untuk analisis komentar menggunakan algoritma Naïve Bayes dengan ekstraksi fitur TF-IDF.

查看原文本刊更多论文

目的:使用纯碱贝耶疫苗Covid-19疫苗情感分析的准确性。设计/方法/方法:应用Levenshtein word修复，用于precessing和Naive算法对Covid-19疫苗的情感分析。结果:对使用的数据进行文字改进可以增加建造的天真贝斯模型的准确性。测试准确性使用旧测试数据的479个数据从61%增加到71%，新的测试数据占100个准确率从59%增加到66%。但由于测试数据的数据只有100个数据，测试数据的精确度较低，这是因为测试数据的系统缺乏培训以前从未进行过的新数据分类的能力。真实性/状态:这项研究使用来自国务院RI Instagram评论的2394个数据。为了预习使用Levenshtein算法进行单词修复，并使用TF-IDF提取功能的Naive Bayes算法进行评论分析。

本文章由计算机程序翻译，如有差异，请以英文原文为准。

求助全文

约1分钟内获得全文求助全文

来源期刊

Telematika

自引率

0.00%

发文量

审稿时长

24 weeks