Analisis Penyakit Difteri Berbasis Twitter Menggunakan Algoritma Naïve Bayes
DOI:
https://doi.org/10.30872/jsakti.v1i1.2215Keywords:
Penyakit Difteri, Naive Bayes, Klasifikasi, Opini,Abstract
Antisipasi dan penanganan penyakit difteri dengan tepat sangat diperlukan oleh Pemerintah Indonesia. Oleh karena itu, informasi dari masyarakat terkait penyakit difteri sangat diperlukan oleh instansi yang berwenang. Hasil dari analisa informasi tersebut dapat menjadi salah satu rujukan dalam mengevaluasi antisipasi dan penanganan kepada masyarakat. Dalam penelitian ini, sebanyak 290 informasi terkait penyakit difteri dari masyarakat telah diambil dari data media sosial yaitu Twitter. Sedangkan, analisa data telah dilakukan menggunakan metode kecerdasan buatan berbasis semantic analysis yaitu Naïve Bayes (NB). Dalam percobaan ini, data yang dikenali telah diklasifikasikan ke dalam opini negatif dan positif. Berdasarkan hasil analisa data menunjukkan bahwa sebesar 94.5% bernilai negatif dan 5.5% bernilai positif. Hal ini menunjukkan bahwa masyarakat menganggap layanan Pemerintah terhadap penanganan penyakit difteri masih kurang percaya.References
Adiyana, I., & Hakim, R. B. (2015). Implementasi Text Mining pada Mesin Pencarian Twitter untuk Menganalisis Topik–Topik Terkait “KPK dan JOKOWI.”
Grossman, D. A., & Frieder, O. (2004). Information Retrieval: Algorithms and Heuristics. In Information Retrieval Algorithms and Heuristics. https://doi.org/citeulike-article-id:1832374
Hartoyo, E. (2018). Difteri Pada Anak. Sari Pediatri. https://doi.org/10.14238/sp19.5.2018.300-6
Lidya, S. K., Sitompul, O. S., & Efendi, S. (2015). Sentiment Analysis Pada Teks Bahasa Indonesia Menggunakan Support Vector Machine (SVM). Program Studi Teknik Informatika Universitas Atma Jaya Yogyakarta.
Maarif, A. A. (2015). Penerapan Algoritma TF-IDF untuk Pencarian Karya Ilmiah. Dokumen Karya Ilmiah | Tugas Akhir | Program Studi Teknik Informatika - S1 | Fakultas Ilmu Komputer | Universitas Dian Nuswantoro Semarang.
Mihuandayani. (2018). Opinion Mining Pada Komentar Twitter E-KTP Menggunakan Naive Bayes Classifier. Seminar Nasional Teknologi Informasi Dan Multimedia 2018, 6.
Nugroho, A. (2018). Analisis Sentimen Pada Media Sosial Twitter Menggunakan Naive Bayes Classifier Dengan Ekstrasi Fitur N-Gram. J-SAKTI (Jurnal Sains Komputer Dan Informatika), 2(2), 200–209.
Nurdiana, O., Jumadi, J., & Nursantika, D. (2018). Perbandingan Metode Cosine Similarity Dengan Metode Jaccard Similarity Pada Aplikasi Pencarian Terjemah Al-Qur’an Dalam Bahasa Indonesia. Jurnal Online Informatika. https://doi.org/10.15575/join.v1i1.12
Nurhuda, F., Widya Sihwi, S., & Doewes, A. (2016). Analisis Sentimen Masyarakat terhadap Calon Presiden Indonesia 2014 berdasarkan Opini dari Twitter Menggunakan Metode Naive Bayes Classifier. Jurnal Teknologi & Informasi ITSmart. https://doi.org/10.20961/its.v2i2.630
Poole, D. L., & Mackworth, A. K. (2010). Artificial intelligence: Foundations of computational agents. In Artificial Intelligence: Foundations of Computational Agents. https://doi.org/10.1017/CBO9780511794797
Pradnyana, G. A. (2012). Perancangan dan Implementasi Automated Document Integration dengan Menggunakan Algoritma Complete Linkage Agglomerative Hierarchical Clustering. Jurnal Ilmu Komputer, 5(2).
Pustejovsky, J., & Stubbs, A. (2012). Natural Language Annotation for Machine Learning: A guide to corpus-building for applications. O’Reilly Media, Inc.
Rozi, I. F., Pramono, S. H., & Dahlan, E. A. (2012). Implementasi Opinion Mining ( Analisis Sentimen ) untuk Ekstraksi Data Opini Publik pada Perguruan Tinggi. Jurnal EECCIS (Electrics, Electronics, Communications, Controls, Informatics, Systems).
Saleh, A. (2015). Implementasi Metode Klasifikasi Naïve Bayes dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga. Citec Journal.
Sarlan, A., Nadam, C., & Basri, S. (2015). Twitter sentiment analysis. Conference Proceedings - 6th International Conference on Information Technology and Multimedia at UNITEN: Cultivating Creativity and Enabling Technology Through the Internet of Things, ICIMU 2014. https://doi.org/10.1109/ICIMU.2014.7066632
Swastina, L. (2013). Penerapan Algoritma C4.5 untuk Penentuan Jurusan Mahasiswa. Jurnal Gema Aktualita.
TetraPakIndex. (2017). The Connected Consumer. Retrieved from https://www.tetrapak.com
Triawati, C., Bijaksana, M. A., Indrawati, N., & Saputro, W. A. (2009). No TitlePemodelan Berbasis Konsep Untuk Kategorisasi Artikel Berita. Semin. Nas. Apl. Teknol. Inf, 48–53.
Widjaya, A., Hiryanto, L., & Handhayani, T. (2017). Prediksi Masa Studi Mahasiswa dengan Voting Feature Interval 5 pada Aplikasi Konsultasi Akademik Online. Computatio: Journal of Computer Science and Information Systems, 1(1), 25–33.
Widjaya, Andre, Hiryanto, L., Handhayani, T., Studi, P., Informatika, T., Teknologi, F., & Universitas, I. (2017). Prediksi Masa Studi Mahasiswa Dengan Voting Feature Interval 5 Pada Aplikasi Konsultasi Akademik Online. 1, 25–33. https://doi.org/10.1161/CIRCULATIONAHA.117.027355
Downloads
Published
Issue
Section
License
Sains, Aplikasi, Komputasi dan Teknologi Informasi allows readers to read, download, copy, distribute, print, search, or link to its articles' full texts and allows readers to use them for any other lawful purpose. The journal allows the author(s) to hold the copyright without restrictions. Finally, the journal allows the author(s) to retain publishing rights without restrictions
- Authors are allowed to archive their submitted article in an open access repository
- Authors are allowed to archive the final published article in an open access repository with an acknowledgment of its initial publication in this journal
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 Generic License.
