scholarly journals Implementasi Naïve Bayes Classifier Dan Information Gain Pada Analisis Sentimen Penggunaan E-Wallet Saat Pandemi

2021 ◽  
Vol 7 (2) ◽  
pp. 144-153
Author(s):  
Amelia Isnanda ◽  
Yuyun Umaidah ◽  
Jajam Haerul Jaman
Keyword(s):  
Naive Bayes ◽  
Information Gain ◽  
Naïve Bayes ◽  
World Health ◽  
Naive Bayes Classifier ◽  
Bayes Classifier ◽  
Naïve Bayes Classifier

World Health Organzation (WHO) pada Maret 2020 mengkategorikan Coronavirus sebagai pandemi setelah mewabah ke berbagai negara belahan dunia. Indonesia yang terdampak pandemi menetapkan peraturan Pembatasan Sosial Berskala Besar (PSBB) seperti physical distancing, wajib memakai masker, peraturan jam malam hingga sekolah dan belajar dari rumah untuk mengurangi kemungkinan penyebaran virus. Sejak kebijakan PSBB diberlakukan, penggunaan e-wallet meningkat karena diyakini mengurangi kontak fisik antar sesama sehingga mengundang berbagai tanggapan masyarakat mengenai kehadirannya. Tanggapan tersebut dituangkan melalui media sosial yang salah satunya adalah Twitter. Terdapat tanggapan yang menyetujui kehadiran e-wallet karena merasakan manfaatnya, namun ada yang beranggapan bahwa penggunaanya sulit atau tidak aman. Berbagai tanggapan tersebut dapat dianalisis untuk mengetahui berbagai tanggapan masyarakat mengenai penggunaan e-wallet di masa pandemi. Maka, dilakukan analisis sentimen Twitter mengenai penggunaan e-wallet pada masa pandemi dengan Naïve Bayes dan dikombinasikan menggunakan seleksi fitur Information Gain. Hasil klasifikasi menggunakan Naïve Bayes Classifier menghasilkan accuracy 84%, precision 91% dan recall 91%. Hasil klasifikasi menggunakan Naïve Bayes dan Information Gain adalah accuracy 92%, precision 92% dan recall 100%.

scholarly journals Klasifikasi Berita Menggunakan Algoritma Naive Bayes Classifer Dengan Seleksi Fitur Dan Boosting

2019 ◽  
Vol 3 (2) ◽  
pp. 227-232
Author(s):  
Bobby Suryo Prakoso ◽  
Didi Rosiyadi ◽  
Heru Sukma Utama ◽  
Dedi Aridarma
Keyword(s):  
Text Mining ◽  
Naive Bayes ◽  
Information Gain ◽  
Naïve Bayes ◽  
Naive Bayes Classifier ◽  
Bayes Classifier ◽  
Naïve Bayes Classifier

Penelitian yang dilakukan ini merupakan bagian dari text mining untuk klasifikasi konten berita yang telah memiliki label berdasarkan katagori berita pada situs detik.com . Proses yang dilakukan adalah melakukan permodelan dan pengolahan data, mulai proses pre-processing, proses seleksi fitur information gain, dan penerapan model algoritma Naive Bayes Classifier dengan Bayesian Boosting. Hasil yang diperoleh atas model tersebut mendapatkan nilai evaluasi terhadap akurasi, recall, dan presisi sebesar 73.2%. Sedangkan dengan model yang lebih ringkas yaitu model algoritma Naive Bayes Classifier, dengan Bayesian Boosting mendapatkan nilai evaluasi yang sama besar yaitu 73.2%. Penilaian atas hasil evaluasi model yang telah terlaksankan berkesimpulan bahwa penerapan seleksi fitur Information Gain tidak berpengaruh besar atas kenaikan hasil performa terhadap kondisi label Polynomial.  

scholarly journals Naive Bayes Classifier Optimization on Sentiment Analysis of Hotel Reviews

2020 ◽  
Vol 10 (2) ◽  
pp. 157
Author(s):  
Siti Khomsah
Keyword(s):  
Sentiment Analysis ◽  
Naive Bayes ◽  
Information Gain ◽  
Naïve Bayes ◽  
Naive Bayes Classifier ◽  
Bayes Classifier ◽  
Naïve Bayes Classifier ◽  
Inertia Weight ◽  
Number Of Iterations ◽  
Number Of Particles

<p class="JGI-AbstractIsi">Feature extraction plays an important role in the sentiment analysis process, especially of text data. The Naive Bayes Classifier performs well on low feature dimensions. However, the accuracy provided is not optimal. To acquire  optimal machine learning model,  information gain method, evolutionary algorithm, and swarm intelligent algorithm are applied. The objective of this study is to determine the performance of the Particle Swarm Optimization (PSO) to optimize the Naive Bayes Classifier. Vectorization of words is carried out using TF-IDF. In order to produce high PSO performance, the PSO-NBC model is tested with several parameters, namely the number of particles (k = 3), setting of the number of iterations and inertia weight, individual intelligence coefficient (c1 = 1), and social intelligence coefficient (c2 = 2). Inert weight is calculated using the formulation (w = 0.5+ Rand ([- 1,1])). In conclusion, PSO is able to solve the problem space of text-based sentiment analysis. PSO is able to optimize the accuracy of Naive Bayes at a value of 89% to 91.76%. PSO performance is determined by the parameters used, especially the number of particles, the number of iterations, and the weight of inertia. A large number of particles accompanied by an increase in inertia weight can increase accuracy. The number of particles 20-30 has reached the optimal accuracy.</p>

scholarly journals OPTIMALISASI KLASIFIKASI BERITA MENGGUNAKAN FEATURE INFORMATION GAIN UNTUK ALGORITMA NAIVE BAYES TERHUBUNG RANDOM FOREST

2019 ◽  
Vol 15 (2) ◽  
pp. 211-218
Author(s):  
Bobby Suryo Prakoso ◽  
Didi Rosiyadi ◽  
Dedi Aridarma ◽  
Heru Sukma Utama ◽  
Fariz Fauzi ◽  
...  
Keyword(s):  
Feature Selection ◽  
Random Forest ◽  
Naive Bayes ◽  
Information Gain ◽  
Naïve Bayes ◽  
Naive Bayes Classifier ◽  
Bayes Classifier ◽  
Naïve Bayes Classifier ◽  
Feature Information

Penelitian ini adalah tentang pengklasifikasian berita yang mengoptimalisasi dengan kombinasi antar algoritma. Tentang dataset yang digunakan diambil pada situs pemberitaan online. Algoritma yang digunakan adalah algoritma Naive Bayes Classifier, dan Random Forest dengan pembobotan seleksi fitur Information Gain. Dataset yang digunakan terdapat 615 dataset dengan 3 katagori atau tema berita. Dalam permodelan terdapat 6 model skenario sebagai pembanding untuk menentukan skenario mana yang mendapatkan nilai terbaik, berdasarkan hasil penelitian ini nilai terbaik didapatkan oleh model Remove Useless Attributes, Naive bayes Classifier-Multinomial, dan Random Forest-Feature Selection Information gain. Hasil evaluasi yang didapatkan adalah nilai accuracy 85.67%, nilai recall 85.67%, dan nilai precision 86.23

scholarly journals Klasifikasi Teks Bahasa Bali dengan Metode Information Gain dan Naive Bayes Classifier

2016 ◽  
Vol 15 (2) ◽  
pp. 81-86
Author(s):  
Ida Bagus Gede Widnyana Putra ◽  
◽  
Made Sudarma ◽  
I Nyoman Satya Kumara
Keyword(s):  
Naive Bayes ◽  
Information Gain ◽  
Naïve Bayes ◽  
Naive Bayes Classifier ◽  
Bayes Classifier ◽  
Naïve Bayes Classifier

scholarly journals Naive Bayes Classifier Optimization on Sentiment Analysis of Hotel Reviews

2020 ◽  
Vol 10 (2) ◽  
pp. 157-168
Author(s):  
Siti Khomsah
Keyword(s):  
Sentiment Analysis ◽  
Naive Bayes ◽  
Information Gain ◽  
Naïve Bayes ◽  
Naive Bayes Classifier ◽  
Bayes Classifier ◽  
Naïve Bayes Classifier ◽  
Inertia Weight ◽  
Number Of Iterations ◽  
Number Of Particles

Feature extraction plays an important role in the sentiment analysis process, especially of text data. The Naive Bayes Classifier performs well on low feature dimensions. However, the accuracy provided is not optimal. To acquire  optimal machine learning model,  information gain method, evolutionary algorithm, and swarm intelligent algorithm are applied. The objective of this study is to determine the performance of the Particle Swarm Optimization (PSO) to optimize the Naive Bayes Classifier. Vectorization of words is carried out using TF-IDF. In order to produce high PSO performance, the PSO-NBC model is tested with several parameters, namely the number of particles (k = 3), setting of the number of iterations and inertia weight, individual intelligence coefficient (c1 = 1), and social intelligence coefficient (c2 = 2). Inert weight is calculated using the formulation (w = 0.5+ Rand ([- 1,1])). In conclusion, PSO is able to solve the problem space of text-based sentiment analysis. PSO is able to optimize the accuracy of Naive Bayes at a value of 89% to 91.76%. PSO performance is determined by the parameters used, especially the number of particles, the number of iterations, and the weight of inertia. A large number of particles accompanied by an increase in inertia weight can increase accuracy. The number of particles 20-30 has reached the optimal accuracy.

Sign in / Sign up

Export Citation Format

Share Document