Analisis Sentimen Kepuasan Pengguna Media Sosial Dengan Menggunakan Data Mining Dan Matlab
DOI:
https://doi.org/10.34012/jutikomp.v7i2.5713Keywords:
Sentiment Analysis, Data Mining, Matlab, Social Media, User satisfactionAbstract
In today's digital era, social media has become an integral part of many people's daily lives, with platforms such as Twitter, Facebook, Instagram, and TikTok being used to share opinions, experiences, and satisfaction or dissatisfaction with various products and services. This research aims to analyze social media user satisfaction sentiment using data mining techniques and Matlab. With data collected from several social media platforms, this research identifies and categorizes user sentiment as positive, negative, or neutral. The methods used include data collection, pre-processing, feature extraction, model building, and model evaluation. The results show that data mining techniques and Matlab effectively classify user sentiment, providing valuable insights for companies to improve their quality and performance based on social media user feedback.
References
Sujadi, H., Fajar, S., & Roni, C. (2022). Analisis sentimen pengguna media sosial Twitter terhadap wabah COVID-19 dengan metode Naïve Bayes Classifier dan Support Vector Machine. INFOTECH Journal, 8(1), 22–27. https://doi.org/10.31949/infotech.v8i1.1883 [1]
Kurniawan, T. (2017). Implementasi text mining pada analisis sentimen pengguna Twitter terhadap media mainstream menggunakan Naïve Bayes Classifier dan Support Vector Machine. Tugas Akhir, Institut Teknologi Sepuluh Nopember Surabaya. https://repository.its.ac.id/48557/1/1313100075-Undergraduate_Theses.pdf [2]
Cahyani, R., Rozas, I. S., & Yalina, N. (2019). Analisis sentimen pada media sosial Twitter terhadap tokoh publik peserta Pilpres 2019. Jurnal Sains dan Seni ITS, 4(2). https://ejournal.uinmalang.ac.id/index.php/saintek/article/view/8356 [5]
Larose, D. T. (2005). Data mining: Concepts and techniques. Morgan Kaufmann Publishers. https://library.villanova.edu/Find/Record/1425086/Cite [4]
Athira, W., Cholissodin, I., & Perdana, R. S. (2018). Analisis sentimen cyberbullying pada komentar Instagram dengan metode klasifikasi Support Vector Machine. Proceeding SNASIKOM.https://proceeding.unived.ac.id/index.php/snasikom/article/download/58/52/103 [3]
Hidayat, R., & Utami, D. (2020). Analisis sentimen pengguna Twitter terhadap produk smartphone menggunakan metode Naïve Bayes. Jurnal Teknologi Informasi dan Ilmu Komputer, 7(3), 345-352.
Rahmawati, M., & Fithriasari, K. (2018). Klasifikasi berita Indonesia menggunakan metode Naive Bayesian Classification dan Support Vector Machine dengan confix stripping stemmer. Jurnal Sains dan Seni ITS, 4(2).
Santoso, H., & Agustin, R. (2021). Penerapan metode klasifikasi dalam analisis sentimen media sosial. Jurnal Informatika, 15(1), 45-56.
Prabowo, R., & Sandhi, N. (2020). Analisis sentimen terhadap produk menggunakan data mining. Jurnal Sistem Informasi, 16(2), 102-110.
Wibowo, A. S., & Hidayah, N. (2019). Analisis sentimen menggunakan Twitter untuk evaluasi produk. Jurnal Teknologi dan Sistem Komputer, 7(1), 23-30.
Setiawan, A., & Yulianto, A. (2021). Implementasi analisis sentimen pada media sosial menggunakan metode machine learning. Jurnal Teknologi Informasi, 13(3), 201-210.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.
Hearst, M. A., & Hall, S. (2007). Natural language processing. Outline of today’s lecture.
Chen, L. F., Su, C. T., & Chen, K. H. (2011). An improved particle swarm optimization for feature selection. Intelligent Data Analysis, 16(2), 167–182. https://doi.org/10.3233/IDA 2012- 0517
Copestake, A. (2007). Natural Language Processing. Outline of today’s lecture.
Crawley, M. J. (2007). The R book. John Wiley & Sons.
https://doi.org/10.1002/9780470515075
Juniawan, I. (2009). Klasifikasi dokumen teks berbahasa Indonesia menggunakan minor component analysis. Jurnal Ilmiah.
Balagatabi, Z. N., & Balagatabi, H. N. (2012). Comparison of decision tree and SVM methods in classification of researcher’s cognitive styles in academic environment. Proceedings of the International Conference on Data Mining.
Borcard, D., Gillet, F., & Legendre, P. (2011). Unconstrained ordination. In Numerical Ecology with R. https://doi.org/10.1007/978-1-4419-7976-6_5
Sari, N. P., & Rachmawati, D. (2022). Sentiment analysis of social media comments using machine learning techniques. International Journal of Computer Applications, 182(5), 22-30.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2024 Naomi Cristin Br Silalahi, Elvis Sastra Ompusunggu
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
- Hak Cipta atas naskah-naskah karya ilmiah di dalam Jurnal ini dipegang oleh Penulis.
- Penulis menyerahkan hak saat pertama kali mempublikasi Naskah karya ilmiahnya dan secara bersamaan Penulis memberikan izin/lisensi dengan mengacu pada Creative Commons Attribution-ShareAlike 4.0 International License kepada pihak lain untuk menyebarkan karya ilmiahnya tersebut dengan tetap mencantumkan penghargaan bagi penulis dan Jurnal Teknologi dan Ilmu Komputer Prima sebagai media Publikasi pertama atas karya tersebut.
- Hal-hal yang berkaitan dengan non-eksklusivitas pendistribusian Jurnal yang menerbitkan karya ilmiah penulis dapat diperjanjikan secara terpisah (contoh: permintaan untuk menempatkan karya yang dimaksud pada perpustakaan suatu institusi atau menerbitkannya sebagai buku) dengan Penulis sebagai salah satu pihak perjanjian dan dengan penghargaan pada Jurnal Teknologi dan Ilmu Komputer Prima sebagai media publikasi pertama atas karya dimaksud.
- Penulis dapat dan diharapkan untuk mengumumkan karyanya secara online (misalnya pada Repositori atau pada laman Organisai/Institusinya) sejak sebelum dan selama proses pengumpulan naskah, sebab upaya tersebut dapat meningkatkan pertukaran citasi lebih awal dan dengan cakupan yang lebih luas.
