Article Per Year (5 Year)
p-Index From 2019 - 2024
1.325
P-Index
This Author published in this journals
All Journal Sistemasi: Jurnal Sistem Informasi Indonesian Journal on Software Engineering (IJSE) Techno Nusa Mandiri : Journal of Computing and Information Technology E-Link: Jurnal Teknik Elektro dan Informatika JUSTIN (Jurnal Sistem dan Teknologi Informasi)
Abdul Latif
Universitas Bina Sarana Informatika
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Energy Engineering

Published : 7 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : E-Link: Jurnal Teknik Elektro dan Informatika

 1 
ANALISIS SENTIMEN TWITTER TERHADAP MENTERI INDONESIA DENGAN ALGORITMA SUPPORT VECTOR MACHINE DAN NAIVE BAYES Siti Nurhasanah Nugraha; Rangga Pebrianto; Abdul Latif; Muhammad Rifqi Firdaus
E-Link: Jurnal Teknik Elektro dan Informatika Vol 17 No 1 (2022)
Publisher : Universitas Muhammadiyah Gresik

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30587/e-link.v17i1.3965

Abstract

Kabinet Indonesia Maju adalah kabinet pemerintahan Indonesia pada pimpinan Presiden JokoWidodo dan Wakil Presiden Ma’ruf Amin. Dengan dilantiknya para menteri di Kabinet IndonesiaMaju, tokoh politik yang memiliki jabatan dan tanggung jawab sebagai menteri dalammelaksanakan tanggung jawabnya tak lepas dari berbagai opini. Salah satu metode untukmengelompokkan kategori opini pengguna media sosial adalah sentiment analyst. Penelitian inimenggunakan dataset hasil crawling dari twitter dengan kata kunci “Menteri”. Hasil crawlingdiolah menggunakan kedua model algoritma yaitu Support Vector Machine (SVM) dan Naïve Bayes.Penelitian ini membandingkan hasil cross validation algoritma SVM dengan Naïve Bayes. Hasilcross validation dari algoritma SVM menunjukkan nilai accuracy sebesar 89,60%, recall 90,91%,precission 97,64%. untuk algoritma Naïve Bayes dihasilkan accuracy sebesar 85,74%, recall85,74%, precission 100,00%. SVM bekerja memaksimalkan margin antara dua kelas yang berbeda,Naïve Bayes sederhana menerapkan teori probabilitas untuk mencari kemungkinan terbesar dariklasifikasi. Dari hasil tersebut dapat disimpulkan kedua algoritma yang digunakan memberikansolusi untuk masalah klasifikasi dalam kasus analisis sentimen menteri, terlepas dari SVMmenghasilkan akurasi yang lebih baik.
Co-Authors Achmad Baroqah Pohan Ade Suryadi Agung Sasongko Ali Mustopa, Ali Daniati Uki Eka Saputri Fitra Septia Nugraha Fuad Nur Hasan Kartika Handayani Lisnawanty Muhammad Rifqi Firdaus Muhammad Sony Maulana Rangga Pebrianto Siti Khotimatul Wildah Siti Nurhasanah Nugraha Suharyanto Suharyanto Taopik Hidayat Windu Gata