Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal JOURNAL OF INFORMATICS AND TELECOMMUNICATION ENGINEERING
Yunus, Harry Pratama
Unknown Affiliation
Computer Science & IT Engineering

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

Found 1 Documents
Search
Journal : JOURNAL OF INFORMATICS AND TELECOMMUNICATION ENGINEERING

 1 
Identifikasi Sentimen pada Data Teks Media Sosial Melalui Pendekatan Pembelajaran Terawasi Bahit, Muhammad; Sari, Yuslena; Baskara, Andreyan Rizky; Wijaya, Eka Setya; Yunus, Harry Pratama; Armelia, Alysa
JOURNAL OF INFORMATICS AND TELECOMMUNICATION ENGINEERING Vol. 9 No. 2 (2026): Issues January 2026
Publisher : Universitas Medan Area

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31289/jite.v9i2.16032

Abstract

Analisis sentimen pada data teks media sosial menjadi penting untuk memahami opini publik, sehingga penelitian ini bertujuan untuk mengidentifikasi sentimen pada data teks media sosial melalui pendekatan pembelajaran terawasi. Dataset yang digunakan terdiri dari tweet dan ulasan produk yang telah dilabeli sentimen positif maupun negatif. Proses penelitian dilakukan melalui beberapa tahapan, yaitu prapemrosesan data (Removal of Stopwords, Lemmatization and Word Stemming, Spell Correction), Ekstraksi Fitur (N-Grm, Word count dan Tf-Idf Vectorizer) serta penerapan algoritma Multinomial Naive Bayes, dan Support Vector Machine (SVM). Hasil penelitian menunjukkan bahwa penghapusan stopwords menurunkan kinerja model, sehingga tetap menggunakan stopwords. Stemming dan lemmatization juga tidak memberikan pengaruh terhadap kinerja model, sedangkan spell correction dapat meningkatkan akurasi sekitar 2% tetapi dengan trade-off waktu komputasi yang tinggi. Pada tahap ekstraksi fitur, TF-IDF menghasilkan akurasi yang lebih tinggi dibandingkan Word Count. Algoritma Multinomial Naive Bayes menghasilkan akurasi sebesar 79,73% dengan AUC-ROC sebesar 0,85. Sedangkan SVM dengan kernel linear mendapatkan hasil terbaik dengan akurasi 82% dan AUC-ROC 0,88, lebih tinggi daripada RBF kernel yang hanya mencapai akurasi 77,79% dan AUC-ROC 0,82. Hasil penelitian ini dapat disimpulkan bahwa SVM dengan kernel linear lebih sesuai untuk klasifikasi teks berdimensi tinggi.
Co-Authors Andreyan Rizky Baskara Armelia, Alysa Muhammad Bahit Wijaya, Eka Setya Yuslena Sari, Yuslena