Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Scientific Student Journal for Information, Technology and Science
Ai Yanti
Unknown Affiliation
Computer Science & IT

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
IMPLEMENTASI ALGORITMA NAÏVE BAYES PADA ANALISIS SENTIMEN LARANGAN PENJUALAN ROKOK BATANGAN DI MEDIA TWITTER Ai Yanti; Deden Wahiddin; Rahmat Rahmat
Scientific Student Journal for Information, Technology and Science Vol. 5 No. 2 (2024): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

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

Abstract

Merokok adalah kebiasaan yang tak terpisahkan dari kelompok perokok di Indonesia. Menurut laporan Kementerian Kesehatan, sekitar 33,8% dari total penduduk Indonesia adalah perokok, artinya satu dari tiga orang termasuk perokok. Selain dampak kesehatan, sektor ekonomi juga dipengaruhi karena industri tembakau berkontribusi signifikan pada APBN tahun 2020, mencapai 10,11%. Oleh karena itu, pada tahun 2023, pemerintah berencana melarang penjualan rokok batangan secara perorangan. Hal ini berarti perokok harus membeli rokok dalam kemasan. Kebijakan ini didasarkan pada Keputusan Presiden (Keppres) yang melarang penjualan rokok batangan, yaito Keppres No. 25 Tahun 2022, sebagai bagian dari Program Penyusunan Peraturan Pemerintah Tahun 2023. Tujuan utama kebijakan ini adalah melindungi anak-anak agar tidak dapat membeli rokok batangan, yang lebih sering dibeli oleh mereka. Oleh karena itu, sebuah penelitian dilakukan untuk mengeksplorasi sentimen masyarakat terkait larangan penjualan rokok pada tahun 2023, khususnya di platform media sosial seperti Twitter. Metode yang digunakan dalam penelitian ini adalah Naive Bayes untuk menganalisis sentimen. Proses melibatkan beberapa tahap, termasuk pembersihan data, konversi huruf kecil, pemisahan kata (tokenizing), normalisasi, penghapusan kata-kata umum (stopword), dan penyederhanaan kata (stemming). Setelah tahap pra-pemrosesan, data diberi label dan diklasifikasikan menggunakan metode Naive Bayes. Hasil kategorisasi tweet cenderung bersifat positif atau negatif. Dari penelitian ini, tingkat akurasi yang dicapai adalah 73%, presisi sebesar 84%, dan recall mencapai 69%.
Co-Authors Deden Wahiddin Rahmat Rahmat