<![CDATA[AbstrakMenjelang pilpres tahun 2019, opini – opini atau tweet yang berkaitan dengan Presiden dan Calon Presidenadalah yang paling banyak diutarakan oleh pengguna twitter di Indonesia saat ini. Opini – opini masyarakatsangat penting untuk mengetahui keadaan keberpihakan masyarakat pada pemilihan presiden yang akandatang. Selain itu dengan melihat opini – opini yang terpampang secara bebas di twitter, kita dapatmengetahui secara umum keadaan beberapa aspek ekonomi, aspek kesehatan, dan aspek pembangunandengan memanfaatkan opini – opini di twitter. Pada Tugas Akhir ini dibangun sistem untuk analisissentimen dalam tiga aspek yaitu ekonomi, kesehatan, dan pembangunan yang berupa sentimen positif atausentimen negatif. Metode yang digunakan adalah Naïve Bayes dengan menggunakan ekstraksi fitur LexiconSentiWordnet dan penggabungan TF-IDF dengan Lexicon SentiWordnet. Masukan dari sistem ini berupadataset tweet dari Twitter sebanyak 1357, kemudian dataset tersebut dilabeli secara manual. Keluaran daripenelitian ini berupa evaluasi dengan menggunakan 10 fold cross validation, kemudian pengukuran akurasidiukur dengan confusion matrix. Berdasarkan hasil penelitian yang telah dilakukan, penggunaan NaïveBayes dengan ekstraksi fitur Lexicon SentiWordnet dalam pembuatan sistem Sentiment Analysis terbuktilebih baik dengan akurasi 84,75% dibandingkan dengan Naïve Bayes dengan menggunakan ekstraksi fiturTF-IDF ataupun TF-IDF yang digabungkan dengan Lexicon SentiWordnet.Kata kunci : Naïve Bayes, Lexicon SentiWordnet, Twitter , confusion matrix, analisis sentimen, TF-IDF AbstractTowards the 2019 presidential election, opinions or tweets related to the President and PresidentialCandidates are the most widely expressed by twitter users in Indonesia today. Public opinion is veryimportant to understand the state of community alignments in the upcoming Presidential election. Inaddition, by looking at opinions posted on Twitter, we can discuss several aspects of the economy, healthaspects, and aspects of infrastructure by using opinions on Twitter. In this Final Project a system forsentiment analysis is built in three aspects, namely economic, health, and development which containpositive sentiments or negative sentiments. The method that used is Naïve Bayes by using the LexiconSentiWordnet for the feature extraction and the integration of TF-IDF with Lexicon SentiWordnet. Issuedfrom this system consists of tweet datasets from Twitter totaling 1357, then the dataset is labeled manually.The output of this study consisted of evaluations using a 10-fold cross validation, then the evaluation wascompleted with a confusion matrix. Based on the results of research that has been done, the use of NaïveBayes with the extraction of the Lexicon SentiWordnet feature in making Sentiment Analysis systemsproved to be better with 84.75% consultation compared to Naïve Bayes by using the TF- IDF or TF-IDFfeature extraction combined with the Lexicon SentiWordnet.Keywords: Naïve Bayes, Lexicon SentiWordnet, Twitter, confusion matrix, sentiment analysis, TF-IDF]]>
