Perbandingan Naive Bayes dan Support Vector Machine pada Sentimen Analisis Reputasi Brand Twitter DQLab.id

Renyta Kristianti Dangin, Ferdy Febriyanto, Renny Puspita Sari

Abstract

Banyaknya perusahaan yang memanfaatkan media sosial seperti Twitter untuk melakukan SMM (Social Media Marketing) membuat dibutuhkannya suatu data/informasi yang dapat membantu kesuksesan SMM. Cara untuk memaksimalkan Social Media Marketing adalah dengan melakukan analisis reputasi brand perusahaan melalui media sosial seperti Twitter, untuk melihat reputasi perusahaan mereka dikalangan masyarakat dimana jika opini positif masyarakat lebih banyak maka reputasi perusahaan baik di mata publik dan sebaliknya. Penelitian ini melakukan perhitungan reputasi dari DQLab.id menggunakan rumus NBR (Net Brand Reputation) dengan pengambilan data menggunakan Twitter API, selanjutnya dilakukan analisis sentimen membandingkan Naïve Bayes dan Support Vector Machine, setelah itu dilakukan tahap validasi data dengan menggunakan parameter evaluasi dan output dari penelitian ini akan berbentuk dashboard tableau. Berdasarkan pada perhitungan NBR, perusahaan DQLab.id memiliki persentase nilai sebesar 56% dan hasil perbandingan kedua metode tersebut didapatkan bahwa Support Vector Machine lebih baik daripada Naïve Bayes Classifier berdasarkan nilai dari seluruh parameter evaluasi.

Keywords

Data Mining, Analisis Sentimen, Twitter, NBR

Full Text:

PDF

References

S. Kemp, “Digital 2021 Indonesia,” Hootsuite(We are Social), 2021.

S. Kemp, “Digital 2022 Indonesia,” Hootsuite(We are Social), 2022.

Buffer, “What is Social Media Marketing?,” Buffer, 2022. [Online]. Available: https://buffer.com/social-media-marketing. [Accessed 7 June 2022]

N. A. Vidya, M. I. Fanany, and I. Budi, “Twitter Sentiment to Analyze Net Brand Reputation of Mobile Phone Providers,” in Procedia Computer Science, 2015, vol. 72, pp. 519–526.

A. Iva “Brand Reputation 101: Monitoring, Analysis and Management Tools”Mediatoolkit,.2022.[Online].Available: https://www.mediatoolkit.com/blog/brand-reputation-monitoring-analysis-management-tools/. [Accessed 8 June 2022]

J. VanderPlas, Python Data Science Handbook: Essential Tools for Working with Data. O’Reilly Media, 2016. [Online]. Available: https://books.google.co.id/books?id=6omNDQAAQBAJ

B. Gaye, D. Zhang, and A. Wulamu, “Improvement of Support Vector Machine Algorithm in Big Data Background,” Mathematical Problems in Engineering, vol. 2021, p. 5594899, 2021, doi: 10.1155/2021/5594899.

R. M. AlZoman and M. J. F. Alenazi, “A Comparative Study of Traffic Classification Techniques for Smart City Networks,” Sensors, vol. 21, no. 14, 2021, doi: 10.3390/s21144677.

P. K. Singh, B. K. Panigrahi, N. K. Suryadevara, S. K. Sharma, and A. P. Singh, Proceedings of ICETIT 2019: Emerging Trends in Information Technology. Springer International Publishing, 2019. [Online]. Available: https://books.google.co.id/books?id=kIixDwAAQBAJ

A. Gholamy, V. Kreinovich, and O. Kosheleva, “A Pedagogical Explanation A Pedagogical Explanation Part of the Computer Sciences Commons,” 2018. [Online]. Available: https://scholarworks.utep.edu/cs_techrephttps://scholarworks.utep.edu/cs_techrep/1209

Tableau, “What is Tableau?,” Tableau, 2021. [Online] Available: https://www.tableau.com/why-tableau/what-is-tableau [Accessed 12 Desember 2021]

N. A. Vidya, M. I. Fanany, and I. Budi, “Twitter Sentiment to Analyze Net Brand Reputation of Mobile Phone Providers,” in Procedia Computer Science, 2015, vol. 72, pp. 519–526. doi: 10.1016/j.procs.2015.12.159.

W. Yulita et al., “Analisis Sentimen Terhadap Opini Masyarakat Tentang Vaksin Covid-19 Menggunakan Algoritma Naïve Bayes Classifier,” JDMSI, vol. 2, no. 2, pp. 1–9, 2021.

F. Fridom Mailo et al., “Analisis Sentimen Data Twitter Menggunakan Metode Text Mining Tentang Masalah Obesitas di Indonesia,” 2019.

Refbacks

  • There are currently no refbacks.