Article Per Year (5 Year)
p-Index From 2019 - 2024
0.408
P-Index
This Author published in this journals
All Journal Seminar Nasional Variansi (Venue Artikulasi-Riset, Inovasi, Resonansi-Teori, dan Aplikasi Statistika)
Al Haris, M.
Unknown Affiliation
Education

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
ANALISIS SENTIMEN PADA TWITTER MENGENAI NETFLIX DIBLOKIR TELKOM MENGGUNAKAN SUPPORT VECTOR MACHINE Husna, Rizqa El; Wasono, Rochdi; Al Haris, M.
Prosiding Seminar Nasional Venue Artikulasi-Riset, Inovasi, Resonansi-Teori, dan Aplikasi Statistika (VARIANSI) Vol 2 (2020)
Publisher : Program Studi Statistika, FMIPA, Universitas Negeri Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Netflix merupakan salah satu media streaming online yang beroperasi di Indonesia sejak 2016. Biaya langganan Netflix yang mahal dibandingkan media streaming lain tidak menghalangi pertumbuhan Netflix di Indonesia yang semakin meningkat setiap tahunnya. Pelanggan PT. Telkom Indonesia tidak bisa mengakses Netflix karena diblokir oleh PT. Telkom Indonesia. Hal ini mengakibatkan pelanggan Telkom tidak bisa mengakses Netflix menggunakan provider Telkomsel dan Indihome. Twitter merupakan media sosial yang memungkinkan penggunanya membaca, meneruskan, dan mengirim pesan berbasis teks. Pada media sosial Twitter banyak pelanggan Telkom yang menyampaikan opini mengenai Netflix diblokir Telkom. Berdasarkan opini publik di media sosial Twitter metode klasifikasi cocok digunakan untuk mengetahui sentimen publik. Metode Support Vector Machine (SVM) sering digunakan pada analisis klasifikasi sentimen. SVM merupakan usaha mencari hyperlane terbaik yang berfungsi sebagai pemisah dua buah kelas dengan memaksimalkan jarak antar kelas. Tujuan dari penelitian ini adalah mengetahui tingkat akurasi SVM dan mengetahui tampilan word cloud berdasarkan masing-masing sentimen. Jumlah tweet yang diteliti pada penelitian ini sebanyak 1771 tweet. Perbandingan data training dan data testing pada penelitian adalah 70% sebanyak 1241 tweet  dan 30% sebanyak 530 tweet. Klasifikasi sentimen  metode Support Vector Machine menggunakan Kernel Radial Basic Function (RBF) diperoleh akurasi sebesar 85.92%. Pada sentimen positif kata “buka”, “tidak”, “indihome”, merupakan kata yang paling sering digunakan. Sedangkan pada sentimen negatif kata “buka”, “pakai”, “telkom” merupakan kata yang paling sering digunakan Kata Kunci: Netflix, Twitter, Analisis Sentimen, Support Vector Machine (SVM).
ANALISIS SENTIMEN DALAM PENANGANAN COVID-19 DI INDONESIA MENGGUNAKAN NAIVE BAYES CLASSIFIER Yulianita, Tanti; Utami, Tiani Wahyu; Al Haris, M.
Prosiding Seminar Nasional Venue Artikulasi-Riset, Inovasi, Resonansi-Teori, dan Aplikasi Statistika (VARIANSI) Vol 2 (2020)
Publisher : Program Studi Statistika, FMIPA, Universitas Negeri Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Kasus Coronavirus Disease (covid-19) di Indonesia telah berdampak dalam segala lapisan kehidupan. Salah satu kebijakan yang dilakukan oleh pemerintah menjadi sorotan di media sosial yaitu tentang adanya kebijakan Pembatasan Sosial Berskala Besar (PSBB). Banyaknya tanggapan masyarakat tentang kebijakan tersebut sangat beragam terutama di media sosial Twitter. Penelitian ini bertujuan mengetahui bagaimana sentimen masyarakat terhadap kebijakan PSBB melalui tanggapan di media sosial twitter. Data yang digunakan dengan rentang waktu April – Juni 2020. Data tersebut diklasifikasikan menggunakan algoritma Naïve Bayes Classifier. Hasil akurasi yang didapatkan dengan menggunakan Confussion Matrix untuk algoritma Naïve Bayes Classifier sebesar 89.13%. Sedangkan peluang kesalahan klasifikasi yang dihasilkan oleh kedua metode tersebut dengan menggunakan APER (Apparent Error Rate) dengan hasil Naïve Bayes Classifier sebesar 10.87%. Kata Kunci:Analisis Setimen,Covid-19, Naive Bayes Classifier, PSBB, Twitter
Co-Authors Husna, Rizqa El Rochdi Wasono Tiani Wahyu Utami Yulianita, Tanti