Analisis Sentimen dengan Metode Klasifikasi Naïve Bayes Dan Seleksi Fitur Information Gain

Abstract

Analisis sentimen merupakan pemrosesan bahasa alami yang bertujuan untuk menemukan opini, mengidentifikasi sentimen apa yang diungkapkan, dan mengklasifikasikannya berdasarkan nilai yang terkandung. Teknologi pembelajaran mesin, seperti Klasifikasi Naïve Bayes banyak digunakan dalam klasifikasi sentimen karena memiliki tingkat akurasi dan kecepatan yang tinggi. Pembelajaran mesin dapat dipadukan dengan metode seleksi fitur untuk meningkatkan efisiensi model. Salah satu metode seleksi fitur adalah metode Information Gain yang dapat digunakan untuk menentukan atribut paling efektif. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat terhadap aplikasi PeduliLindungi dan menghitung evaluasi performa model berdasarkan nilai metrik F1-Score. Pada penelitian ini analisis sentimen dilakukan menggunakan metode Klasifikasi Naïve Bayes dengan penggabungan metode seleksi fitur Information Gain untuk meningkatkan performa model dan mempercepat komputasi. Hasil analisis sentimen menggunakan metode klasifikasi Naïve Bayes dan seleksi fitur Information Gain menunjukkan bahwa pengguna cenderung memberikan ulasan positif terhadap aplikasi PeduliLindungi. Performa model untuk analisis sentimen pengguna terhadap aplikasi PeduliLindungi ditentukan berdasarkan rata-rata F1-Score dengan 10-fold cross validation diperoleh sebesar 95.1%; artinya model yang diperoleh mempunyai presisi dan recall yang baik.