scholarly journals Analisis Sentiment pada Sosial Media Twitter Menggunakan Naїve Bayes Classifier dengan Feature Selection Particle Swarm Optimization dan Term Frequency

2017 ◽  
Vol 2 (1) ◽  
pp. 14
Author(s):  
Yono Cahyono
Keyword(s):  
Feature Selection ◽  
Particle Swarm Optimization ◽  
Naive Bayes ◽  
Particle Swarm ◽  
Naïve Bayes ◽  
Naive Bayes Classifier ◽  
Bayes Classifier ◽  
Naïve Bayes Classifier ◽  
Swarm Optimization ◽  
Term Frequency

Pengguna media sosial saat ini sangat besar; dimana setiap orang mengungkapkan pendapat; komentar; kritik dan lain-lain. Data tersebut memberikan informasi yang berharga untuk dapat membantu orang atau organisasi dalam pengambilan keputusan. Jumlah data yang sangat besar tidak mungkin bagi manusia untuk membaca dan menganalisis secara manual. Ansalisis Sentiment merupakan proses dalam menganalisis; memahami; dan mengklasifikasi pendapat; evaluasi; penilaian; sikap; dan emosi terhadap suatu entitas tertentu seperti produk; jasa; organisasi; individu; peristiwa; topik; guna mendapatkan informasi. Penelitian ini bertujuan untuk memisahkan tweets berbahasa Indonesia pada media sosial twitter kedalam kategori positif; negatif dan netral. Metode naїve bayes Classifier (NBC) dengan feature selection Particle Swarm Optimization (PSO) diterapkan pada dataset untuk mengurangi atribut yang kurang relevan pada saat proses klasifikasi. Hasil pengujian menunjukan bahwa algoritma Naïve Bayes Classifier dengan feature selection Particle Swarm Optimization (PSO) menggunakan parameter term frequency (TF) dengan akurasi 97;48%.

scholarly journals Analisis Sentimen Vaksinasi Covid-19 Pada Twitter Menggunakan Naive Bayes Classifier Dengan Feature Selection Chi-Squared Statistic dan Particle Swarm Optimization

2021 ◽  
Vol 5 (1) ◽  
pp. 49-56
Author(s):  
Ristasari Dwi Septiana ◽  
Agung Budi Susanto ◽  
Tukiyat Tukiyat
Keyword(s):  
Feature Selection ◽  
Particle Swarm Optimization ◽  
Naive Bayes ◽  
Particle Swarm ◽  
Naïve Bayes ◽  
Naive Bayes Classifier ◽  
Bayes Classifier ◽  
Naïve Bayes Classifier ◽  
Swarm Optimization ◽  
Chi Squared

Tingginya penyebaran Covid-19 semakin berdampak pada bidang kesehatan, ekonomi, bahkan bidang pendidikan di Indonesia, sehingga pemerintah Indonesia melakukan tindakan vaksinasi Covid-19 guna menekan tingkat penyebaran Covid-19 di Indonesia. Namun hal tersebut dinilai kotroversial sehingga menarik perhatian masyarakat untuk memberikan opini di berbagai media seperti media sosial twitter. Sehingga membutuhkan analisa sentimen masyarakat terhadap upaya pemerintah pada tindakan vaksinasi Covid-19 untuk mencapai hasil prediksi dengan nilai akurasi paling optimal. Proses crawling secara otomatis menggunakan tools Rapidminer akan mengambil data tweets yang mengandung 5 (lima) kata kunci, yaitu “Vaksin Sinovac”, “Vaksin Astrazeneca”, “Vaksin Moderna”, “Vaksin Merah Putih”, dan “Vaksinasi Covid-19”. Dataset tweets didapatkan dari tanggal 4 Agustus 2021 sampai 12 Agustus 2021. Dataset diperoleh sejumlah 2060 tweets dan diberi label secara manual didapatkan jumlah tweet sebanyak 1193 sentimen positif, 73 negatif, dan 794 netral. Data tersebut dianalisa dengan menggunakan Metode Feature Selection Chi-Squared Statistic dan Particle Swarm Optimization (PSO) untuk mengurangi atribut yang kurang relevan pada saat proses klasifikasi dengan algoritma Naive Bayes Classifier (NBC). Hasil pengujian menunjukan bahwa Algoritma Naive Bayes Classifier (NBC) tanpa Feature Selection mendapatkan nilai akurasi 63,69%. Hasil penelitian menunjukkan bahwa Algoritma Naive Bayes Classifier (NBC) dengan Feature Selection Chi-Squared Statistic mempunyai tingkat akurasi 69,13%. Sedangkan hasil pengujian algoritma Naive Bayes Classifier (NBC) dengan Particle Swarm Optimization mempunyai tingkat akurasi 66,02%. Dengan demikian hasil seleksi fitur Chi-Squared Statistic mendapatkan nilai akurasi yang lebih baik jika dibandingkan dengan Particle Swarm Optimization untuk proses klasifikasi algoritma Naive Bayes Classifier (NBC) dengan selisih akurasi 3,11%.

scholarly journals Optimization the Naive Bayes Classifier Method to diagnose diabetes Mellitus

2019 ◽  
Vol 1 (1) ◽  
pp. 78-86
Author(s):  
Desi Susilawati Susilawati ◽  
Dwiza Riana
Keyword(s):  
Diabetes Mellitus ◽  
Particle Swarm Optimization ◽  
Naive Bayes ◽  
Particle Swarm ◽  
Naïve Bayes ◽  
Diabetes Mellitus Type ◽  
Naive Bayes Classifier ◽  
Bayes Classifier ◽  
Naïve Bayes Classifier ◽  
Swarm Optimization

World Health Organization (WHO) states that Diabetes Mellitus is the world's top deadly  disease. several studies in the health sector including diabetes mellitus have been carried out to detect diseases early. In this study  optimization of naive bayes classifier using particle swarm optimization was applied to the data of patients with 2 classes namely positive diabetes mellitus and negative diabetes  mellitus and data on patients with 3 classes, those who tested positive for diabetes mellitus type 1, diabetes mellitus type 2 and negative diabetes mellitus. After testing, the algorithm of Naive Bayes Classifier and Naive Bayes Classifier based on Particle Swarm Optimization, the results obtained are the Naive Bayes Classifier method for 2 classes and 3 classes each producing an accuracy value of 78.88% and 68.50%. but after adding Particle Swarm Optimization the value of accuracy increased respectively to 82.58% and 71, 29%. The classification results for 2 classes have an accuracy value higher than 3 classes with a difference of 11.29%

scholarly journals PREDIKSI PENYAKIT GINJAL KRONIS MENGGUNAKAN ALGORITMA NAIVE BAYES CLASSIFIER BERBASIS PARTICLE SWARM OPTIMIZATION

2019 ◽  
Vol 13 (1) ◽  
pp. 26-30
Author(s):  
Toni Arifin ◽  
Daniel Ariesta
Keyword(s):  
Particle Swarm Optimization ◽  
Naive Bayes ◽  
Confusion Matrix ◽  
Particle Swarm ◽  
Naïve Bayes ◽  
Naive Bayes Classifier ◽  
Bayes Classifier ◽  
Naïve Bayes Classifier ◽  
Swarm Optimization ◽  
Missing Value

Penyakit ginjal kronis (PGK) merupakan masalah kesehatan masyarakat global dengan prevalens dan insidens gagal ginjal yang meningkat, prognosis yang buruk dan biaya yang tinggi. nilai prevalensi di seluruh Indonesia untuk penyakit gagal ginjal memiliki nilai rata - rata berkisar kurang lebih 0.2 persen. Langkah pertama dalam pengelolaan penyakit ginjal adalah penetapan diagnosis yang tepat. Maka dibutuhkan sebuah metode untuk memprediksi penyakit ginjalkronis. Naïve Bayes memiliki beberapa kelebihan, yaitu cepat dalam perhitungan, algoritma yang sederhana dan berakurasi tinggi. Naïve Bayes Classifier lebih tepat diterapkan pada data yang besar dan dapat menangani data yang tidak lengkap (missing value) serta kuat terhadap atribut yang tidak relevan dan noise pada data. Untuk meningkatkan akurasi maka digunakan Particle Swarm Optimization untuk pembobotan atribut. Dari hasil penelitian Naive Bayes Classification berbasis Particle Swarm Optimization memiliki akurasi confusion matrix sebesar 98,75% dan AUC sebesar 99%. sedangkan Naive Bayes memiliki akurasi confusion matrix  97.00% dan AUC sebesar 99.8%.

scholarly journals Optimasi Naïve Bayes Classifier Dengan Menggunakan Particle Swarm Optimization Pada Data Iris

2017 ◽  
Vol 4 (3) ◽  
pp. 180
Author(s):  
Husin Muhamad ◽  
Cahyo Adi Prasojo ◽  
Nur Afifah Sugianto ◽  
Listiya Surtiningsih ◽  
Imam Cholissodin
Keyword(s):  
Particle Swarm Optimization ◽  
Naive Bayes ◽  
Particle Swarm ◽  
Naïve Bayes ◽  
Naive Bayes Classifier ◽  
Bayes Classifier ◽  
Naïve Bayes Classifier ◽  
Swarm Optimization

scholarly journals ANALISA SENTIMEN TWITTER MENGGUNAKAN ALGORITMA KLASIFIKASI PADA PROMOSI WISATA MUSEUM SANGIRAN KABUPATEN SRAGEN

2020 ◽  
Vol 6 (1) ◽  
pp. 46-49
Author(s):  
Yoga Dwi Pambudi ◽  
Wing Wahyu Winarno ◽  
Andi Sunyoto
Keyword(s):  
Particle Swarm Optimization ◽  
Naive Bayes ◽  
Particle Swarm ◽  
Naïve Bayes ◽  
Naive Bayes Classifier ◽  
Bayes Classifier ◽  
Naïve Bayes Classifier ◽  
Swarm Optimization

Museum Sangiran merupakan tempat wisata andalan di Kabupaten Sragen yang sudah terkenal dalam kanca nasional hingga internasional. Dalam rangka membangun minat dan mempengaruhi niat wisatawan dalam meningkatkan kunjungan wisata di Museum Sangiran maka, diperlukan berbagai macam strategi untuk menyampaikan pesan promosi wisata pada masyarakat. Perkembangan teknologi informasi yang semakin meningkat drastis di era Revolusi Industri 4.0 saat ini sangat berpengaruh dalam berbagai hal termasuk dalam bidang pariwisata dengan memanfaatkan sosial media twitter sebagai jalur promosi. Dalam sosial media twitter terdapat banyak opini yang berisikan pendapat, pikiran maupun kritikan dari para pengguna. Pada penelitian ini berfokus pada opini yang muncul mengenai keadaan dan pelayanan di Kawasan wisata Museum Sangiran Kabupaten Sragen dengan menggunakan analisis sentimen data Twitter dengan harapan memperoleh presepsi masyarakat terhadap kualitas pelayanan yang dapat digunakan sebagai bahan tambahan evaluasi pengelolaan kawasan wisata. Penggunaan metode Naive Bayes Classifier (NBC) digunakan untuk klasifikasi serta menerapkan seleksi fitur menggunakan Particle Swarm Optimization (PSO) untuk mengurangi atribut yang tidak relevan. Hasil pengujian pada penelitian ini menunjukan bahwa algoritma Naive Bayes Classifier (NBC) dengan seleksi fitur Particle Swarm Optimization (PSO) dengan nilai akurasi sebesar 87,91%.

scholarly journals Naive Bayes classifier optimization for text classification on e-government using particle swarm optimization

2019 ◽  
Vol 8 (1) ◽  
pp. 21-26 ◽  
Author(s):  
Kuncahyo Setyo Nugroho ◽  
Istiadi Istiadi ◽  
Fitri Marisa
Keyword(s):  
Particle Swarm Optimization ◽  
Naive Bayes ◽  
Particle Swarm ◽  
Naïve Bayes ◽  
Training Data ◽  
Naive Bayes Classifier ◽  
Bayes Classifier ◽  
K Nearest Neighbor ◽  
Naïve Bayes Classifier ◽  
Swarm Optimization

One of the public e-government services is a web-based online complaints portal. Text of complaint needs to be classified so that it can be forwarded to the responsible office quickly and accurately. The standard classification approach commonly used is the Naive Bayes Classifier (NBC) and k-Nearest Neighbor (k-NN), which still classifies one label and needs to be optimized. This research aims to classify the complaint text of more than one label at the same time with NBC, which is optimized using Particle Swarm Optimization (PSO). The data source comes from the Sambat Online portal and is divided into 70 % as training data and 30 % as testing data to be classified into seven labels. NBC and k-NN algorithms are used as a comparison method to find out the performance of PSO optimization. The 10-fold cross-validation shows that NBC optimization using PSO achieves an accuracy of 87.44 % better than k-NN of 75 % and NBC of 64.38 %. The optimization model can be used to increase the effectiveness of services to e-government in society.

scholarly journals Implemented PSO-NBC and PSO-SVM to Help Determine Status of Volcanoes

2019 ◽  
Vol 9 (2) ◽  
pp. 97
Author(s):  
Firman Tempola
Keyword(s):  
Particle Swarm Optimization ◽  
Naive Bayes ◽  
Particle Swarm ◽  
Naïve Bayes ◽  
Bayes Classifier ◽  
Naïve Bayes Classifier ◽  
Swarm Optimization ◽  
Attribute Weights ◽  
The Status ◽  
Bayes Algorithm

<p class="JGI-AbstractIsi">This research is a continuation of previous research that applied the Naive Bayes classifier algorithm to predict the status of volcanoes in Indonesia based on seismic factors. There are five attributes used in predicting the status of volcanoes, namely the status of the normal, standby and alerts. The results Showed the accuracy of the resulted prediction was only 79.31%, or fell into fair classification. To overcome these weaknesses and in order to increase accuracy, optimization is done by giving criteria or attribute weights using particle swarm optimization. This research compared the optimization of Naive Bayes algorithm to vector machine support using particle swarm optimization. The research found improvement on system after application of PSO-NBC to that of 91.3 % and 92.86% after applying PSO-SVM.</p>

Sign in / Sign up

Export Citation Format

Share Document