Analisis Sentiment Masyarakat Terhadap penyebaran Starlink di Indonesia Menggunakan Algoritma Naive Bayes
Keywords:
Analisis Sentimen, Naive Bayes, Sentimen Masyarakat, Starlink, Text MiningAbstract
Penelitian ini bermaksud menganalisis sentimen masyarakat terhadap penyebaran Starlink di Indonesia dengan menggunakan algoritma Naive Bayes. Data dikumpulkan dari komentar YouTube yang kemudian diberi label sebagai positif atau negatif. Setelah melalui tahap preprocessing, dilakukan analisis sentimen untuk menentukan kecenderungan komentar kepada Starlink. Algoritma Naive Bayes digunakan untuk klasifikasi data tersebut. Hasil penelitian menunjukkan bahwa mayoritas komentar bersifat positif terhadap Starlink, terutama dari daerah terpencil yang sulit mendapatkan akses internet. Selain itu, jurnal ini juga membahas dampak Proyek Satelit Starlink terhadap penyedia layanan internet, perkembangan Internet of Things di sektor energi, serta efisiensi algoritma Naive Bayes dalam klasifikasi buah. Jurnal ini turut menyajikan perbandingan algoritma machine learning untuk analisis sentimen dan tantangan dalam text mining. Kemampuan kerja Naive Bayes menunjukkan akurasi 64% dan Hasil ini dipengaruhi oleh ketidakseimbangan dataset, dengan 946 sentimen negatif dan 543 sentimen positif dari total 1489 data. Kesimpulannya ini cukup jujur dan realistis. Namun, jurnal ini dapat ditingkatkan dengan menyertakan rekomendasi untuk penelitian di masa mendatang, seperti penerapan algoritma berbeda, perbaikan teknik pra-pemrosesan, atau pengumpulan data dari berbagai sumber yang lebih beragam.
References
Y. Shaengchart, T. Kraiwanit, and S. Butcharoen, “Factors influencing the effects of the Starlink Satellite Project on the internet service provider market in Thailand,” Technol. Soc., vol. 74, no. May, p. 102279, 2023, doi: 10.1016/j.techsoc.2023.102279.
Y. Shaengchart and T. Kraiwanit, “Starlink satellite project impact on the Internet provider service in emerging economies,” Res. Glob., vol. 6, no. May, p. 100132, 2023, doi: 10.1016/j.resglo.2023.100132.
Anggy Giri Prawiyogi and Aang Solahudin Anwar, “Perkembangan Internet of Things (IoT) pada Sektor Energi : Sistematik Literatur Review,” J. MENTARI Manajemen, Pendidik. dan Teknol. Inf., vol. 1, no. 2, pp. 187–197, 2023, doi: 10.34306/mentari.v1i2.254.
M. Afriansyah, J. Saputra, V. Yoga, P. Ardhana, and Y. Sa, “ALGORITMA NAIVE BAYES YANG EFISIEN UNTUK KLASIFIKASI BUAH,” vol. 1, no. 2, pp. 236–248, 2024.
N. Asmiati and Fatmawati, “Penerapan Algoritma Naive Bayes Untuk Mengklasifikasi Pengaruh Negatif Game Online Bagi Remaja Milenial,” JTIM J. Teknol. Inf. dan Multimed., vol. 2, no. 3, pp. 141–149, 2020, doi: 10.35746/jtim.v2i3.102.
C. A. A. Soemedhy, N. Trivetisia, N. A. Winanti, D. P. Martiyaningsih, T. W. Utami, and S. Sudianto, “Analisis Komparasi Algoritma Machine Learning untuk Sentiment Analysis (Studi Kasus: Komentar YouTube ‘Kekerasan Seksual’),” J. Inform. J. Pengemb. IT, vol. 7, no. 2, pp. 80–84, 2022, doi: 10.30591/jpit.v7i2.3547.
Z. Wattenhofer, M., Wattenhofer, R., & Zhu, “The YouTube Social,” Int. Conf. Weblogs Soc. Media, no. January 2012, pp. 354–361, 2012.
A. Tan, “Text Mining : The state of the art and the challenges Concept-based,” Proc. PAKDD 1999 Work., no. November 2000, pp. 65–70, 2011.
H. Sulistiani and A. A. Aldino, “Decision Tree C4.5 Algorithm for Tuition Aid Grant Program Classification (Case Study: Department of Information System, Universitas Teknokrat Indonesia),” Edutic - Sci. J. Informatics Educ., vol. 7, no. 1, pp. 40–50, 2020, doi: 10.21107/edutic.v7i1.8849.
D. Darwis, N. Siskawati, and Z. Abidin, “Penerapan Algoritma Naive Bayes Untuk Analisis Sentimen Review Data Twitter Bmkg Nasional,” J. Tekno Kompak, vol. 15, no. 1, p. 131, 2021, doi: 10.33365/jtk.v15i1.744.
D. Alita, “Multiclass SVM Algorithm for Sarcasm Text in Twitter,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 8, no. 1, pp. 118–128, 2021, doi: 10.35957/jatisi.v8i1.646.
A. D. Cahyo, “METODE NAIVE BAYES UNTUK KLASIFIKASI MASA STUDI,” vol. 3, no. 4, 2023.