Perbandingan Kinerja Multinomial Naïve Bayes Classifier dan Naïve Forecasting dalam Klasifikasi dan Peramalan Jumlah Opini Kenaikan Harga BBM

Nita Oktaviani, Embay Rohaeti, Maya Widyastiti, Ani Andriyati

Abstract


Data opini pengguna X terhadap topik kenaikan harga Bahan Bakar Minyak (BBM) memiliki nilai sentimen yang dapat menentukan kelas opini dominan sebagai gambaran penilaian dari sisi masyarakat pengguna X. Opini pengguna X akan diklasifikasi dalam tiga kelas yaitu kelas opini positif, negatif dan netral menggunakan model Multinomial Naïve Bayes Classifier (MNBC). Hasil klasifikasi yang diperoleh dilanjutkan pada tahapan peramalan jumlah opini dengan metode Naïve Forecasting (NF). Tujuan dari penelitian ini yaitu mengklasifikasikan opini dengan MNBC, meramalkan jumlah opini untuk jangka waktu satu minggu kedepan dengan NF, dan mengevaluasi hasil klasifikasi serta hasil peramalan. MNBC merupakan salah satu algoritma machine learning yang digunakan untuk klasifikasi teks. NF merupakan salah satu metode peramalan untuk data time series. Perhitungan pada penelitian ini dilakukan dengan penggunaan bantuan software R. Data yang digunakan berupa data sekunder sebanyak 2500 data. Periode pengambilan data selama satu minggu dimulai dari 20 Oktober 2022 hingga 27 Oktober 2022. Hasil dari pemodelan MNBC didapatkan tiga kelas yaitu sebanyak 775 dokumen diklasifikasikan sebagai opini negatif, 475 dokumen diklasifikasikan sebagai opini netral, dan 581 dokumen diklasifikasikan sebagai opini positif. Akurasi model MNBC dikategorikan sangat baik sebesar 92% untuk keseluruhan kelas. Hasil peramalan tiga kelas klasifikasi dengan NF yaitu jumlah opini kelas positif sebanyak 44 opini dengan nilai RMSE sebesar 8,96, jumlah opini kelas negatif sebanyak 25 opini dengan nilai RMSE sebesar 14,87, dan jumlah opini kelas netral sebanyak 21 opini dengan nilai RMSE sebesar 11,45. Hal ini menunjukkan Peramalan dengan NF dikategorikan cukup baik.

 

Kata Kunci:  MNBC, NF, Opini, Klasifikasi, Peramalan.

References


F. C. Farisa, “Harga BBM Naik, Jokowi: 70 Persen Subsidi Justru Dinikmati Kelompok Mampu Pemilik Mobil,” Kompas. Accessed: Jun. 14, 2024. [Online]. Available: https://nasional.kompas.com/read/2022/09/03/14561231/harga-bbm-naik-jokowi-70-persen-subsidi-justru-dinikmati-kelompok-mampu

F. Romaito Pohan, C. Wafa Al-Farizi, and S. Tinggi Ilmu Administrasi Karya Dharma Merauke, “Dampak Implementasi Kebijakan Kenaikan Harga Bahan Bakar Minyak (BBM) Pada Sektor Transportasi,” Jurnal Administrasi Karya Dharma, vol. 2, no. 2, 2023.

A. Lutfi, A. Annisa Fitriani, I. Ramadani, N. Azahra Putri, and Y. Shizuka Nelsi, “Efektivitas Penggunaan Aplikasi My Pertamina Di Era Kenaikan BBM Bersubsidi,” Prosiding Seminar Nasional Pendidikan, Bahasa, Sastra, Seni, dan Budaya (Mateandrau), vol. 1, no. 2, pp. 244–253, 2022.

Darmayuda, E. A. Pailis, A. F. Aulia, and M. Hasnan, “Analisis Pergeseran Pola Konsumsi Energi dan Dampak Ekonominya Pada Saat COVID-19 di Provinsi Riau,” Jurnal Ekonomi dan Bisnis, vol. 10, no. 1, pp. 203–216, 2022.

A. Pribadi, “Siaran Pers : Pengalihan Subsidi BBM, Demi Subsidi Tepat Sasaran dan Antisipasi Gejolak Minyak Dunia,” Kementrian Energi Dan Sumber Daya Mineral Direktorat Jenderal Minyak Dan Gas Bumi.

S. Kemp, “Twitter Users, Stats, Data & Trends,” Data Reportal.

S. Nurhaliza, Y. Yusra, and M. Fikry, “Klasifikasi Sentimen Masyarakat di Twitter Terhadap Kenaikan Harga BBM dengan Metode Support Vector Machine,” Jurnal Sistem Komputer dan Informatika (JSON), vol. 4, no. 4, p. 586, Jul. 2023, doi: 10.30865/json.v4i4.6322.

S. Rabbani, D. Safitri, N. Rahmadhani, A. A. F. Sani, and M. K. Anam, “Perbandingan Evaluasi Kernel SVM untuk Klasifikasi Sentimen dalam Analisis Kenaikan Harga BBM,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 3, no. 2, pp. 153–160, Oct. 2023, doi: 10.57152/malcom.v3i2.897.

R. Savira, A. Solichin, and M. Syafrullah, “Analisis Sentimen Pada Twitter Terhadap Kenaikan BBM 2022 Dengan Lexicon dan Support Vector Machine,” Seminar Nasional Mahasiswa Fakultas Teknologi Informasi (SENAFTI), vol. 2, no. 1, 2023.

M. Fikry, L. Oktavia, T. Dwi Arista, U. Islam Negeri Sultan Syarif Kasim Riau, J. H. Soebrantas NoKm, and S. Baru, “Klasifikasi Sentimen Masyarakat di Twitter terhadap Kenaikan Harga BBM dengan Metode K-NN,” JUKI : Jurnal Komputer dan Informatika, vol. 5, no. 1, 2023.

C. Heltroyce, G. Feoh, and I. Made Dwi Ardiada, “Analisis Sentimen Terhadap Kenaikan Harga Bahan Bakar Minyak Menggunakan Algoritma K-Nearest Neighbor,” Jurnal Kesehatan, Sains, dan Teknologi (JAKASAKTI), vol. 3, no. 1, 2024, [Online]. Available: https://jurnal.undhirabali.ac.id/index.php/jakasakti/index

A. J. Arifin and A. Nugroho, “Uji Akurasi Penggunaan Metode KNN dalam Analisis Sentimen Kenaikan Harga BBM pada Media Twitter,” Progresif: Jurnal Ilmiah Komputer, vol. 19, no. 2, pp. 700–708, 2023.

S. Lina, M. Sitio, and R. Nadiyanti, “Analisis Sentimen Kenaikan Harga BBM Pertamax Pada Media Sosial Menggunakan Metode Naïve Bayes Classifier,” Technology and Science (BITS), vol. 4, no. 3, 2022, doi: 10.47065/bits.v4i3.2331.

S. Mujahidin, B. Prasetio, and M. C. C. Utomo, “Implementasi Analisis Sentimen Masyarakat Mengenai Kenaikan Harga BBM Pada Komentar Youtube Dengan Metode Gaussian Naïve Bayes,” Jurnal Vocational Teknik Elektronika dan Informatika, vol. 10, no. 3, pp. 17–24, 2022, [Online]. Available: http://ejournal.unp.ac.id/index.php/voteknika/index

W. Maria Sonia Nadiah Hutagalung and N. Jaya Perdana, “Analisis Sentimen Pada Opini Kenaikan Harga Bahan Bakar Minyak Pada Media Sosial Twitter,” Jurnal Sistem Informasi dan Teknik Komputer, vol. 8, no. 2, 2023.

P. Samotana Zalukhu, T. Handhayani, and M. Sitorus, “Analisis Sentimen Terhadap Kenaikan BBM di Indonesia Pada Media Sosial Twitter Mengunakan Metode Naive Bayes,” JURNAL SISTEM INFORMASI DAN TEKNIK KOMPUTER, vol. 8, no. 1, 2023.

Ardiansyah and Nur’aini, “Implementasi Analisis Sentimen Masyarakat Mengenai Kenaikan Harga BBM Dengan Metode Naive Bayes,” Journal Of Information Systems And Informatics Engineering, vol. 8, no. 1, pp. 1–9, 2024, doi: 10.35145/joisie.v8i1.3838.

A. Wahyu et al., “Penerapan Metode Adaptive Boosting Pada Analisis Sentimen Kenaikan BBM Pertamina,” Jurnal Teknik Informatika Unika ST. Thomas (JTIUST), vol. 8, no. 2, pp. 2657–1501, 2023.

M. L. Pratama, Y. V. Via, and E. P. Mandyartha, “Analisis Performansi Naive Bayes dan Random Forest Terhadap Sentimen Kenaikan Harga BBM di Indonesia,” SCAN: Jurnal Teknologi Informasi dan Komunikasi, vol. 18, no. 1, 2023.

N. Basidt, E. Supriyadi, and A. Susilo, “Perbandingan Algoritma Klasifikasi dalam Analisis Sentimen Opini Masyarakat tentang Kenaikan Harga BBM”, doi: 10.31331/joined.v3i1.kodeartikel.

T. Sanubari, C. Prianto, and N. Riza, Odol (one desa one product unggulan online) penerapan metode Naive Bayes pada pengembangan aplikasi e-commerce menggunakan Codeigniter. Bandung: Kreatif, 2020.

S. Mujahidin, M. N. Hasyim, and B. M. Pratama, “Implementasi Analisis Sentimen Opini Publik Mengenai Sirkuit Internasional Mandalika Pada Twitter Menggunakan Metode Multinomial Naïve Bayes Classifier,” Bianglala Informatika, vol. 10, no. 2, 2022, doi: 10.31294/bi.v10i2.13544.

S. Mandasari, B. H. Hayadi, and R. Gunawan, “Analisis Sentimen Pengguna Transportasi Online Terhadap Layanan Grab Indonesia Menggunakan Multinomial Naive Bayes Classifier,” J-SISKO TECH (Jurnal Teknologi Sistem Informasi dan Sistem Komputer TGD), vol. 5, no. 2, 2022, doi: 10.53513/jsk.v5i2.5635.

G. M. Paldino, J. De Stefani, F. De Caro, and G. Bontempi, “Does AutoML Outperform Naive Forecasting? †,” Engineering Proceedings, vol. 5, no. 1, 2021, doi: 10.3390/engproc2021005036.

F. Qeadan et al., “Naive forecast for COVID-19 in utah based on the South Korea and Italy models-the fluctuation between two extremes,” Int J Environ Res Public Health, vol. 17, no. 8, 2020, doi: 10.3390/ijerph17082750.

A. P. Kirana and A. Bhawiyuga, “Coronavirus (COVID-19) Pandemic in Indonesia: Cases Overview and Daily Data Time Series using Naïve Forecast Method,” Indonesian Journal of electronics, electromedical engineering, and medical informatics, vol. 3, no. 1, 2021, doi: 10.35882/ijeeemi.v3i1.1.

A. P. Kirana and A. Bhawiyuga, “Coronavirus (COVID-19) Pandemic in Indonesia: Cases Overview and Daily Data Time Series using Naïve Forecast Method,” Indonesian Journal of electronics, electromedical engineering, and medical informatics, vol. 3, no. 1, pp. 1–8, Feb. 2021, doi: 10.35882/ijeeemi.v3i1.1.

Y. Fauziah, B. Yuwono, and A. S. Aribowo, “Lexicon Based Sentiment Analysis in Indonesia Languages : A Systematic Literature Review,” RSF Conference Series: Engineering and Technology, vol. 1, no. 1, pp. 363–367, Dec. 2021, doi: 10.31098/cset.v1i1.397.

H. Han, Y. Zhang, J. Zhang, J. Yang, and X. Zou, “Improving the performance of lexicon-based review sentiment analysis method by reducing additional introduced sentiment bias,” PLoS One, vol. 13, no. 8, p. e0202523, Aug. 2018, doi: 10.1371/journal.pone.0202523.

C. D. Manning, P. Raghavan, and H. Schutze, An Introduction To Information Retrieval. England: Cambridge University press, 2009.

A. Hussein, F. K. Ahmad, and S. S. Kamaruddin, “Cluster Analysis on Covid-19 Outbreak Sentiments from Twitter Data using K-means Algorithm,” Journal of System and Management Sciences, vol. 11, no. 4, 2021, doi: 10.33168/JSMS.2021.0409.

A. Kumila, B. Sholihah, E. Evizia, N. Safitri, and S. Fitri, “Perbandingan Metode Moving Average dan Metode Naïve Dalam Peramalan Data Kemiskinan,” JTAM | Jurnal Teori dan Aplikasi Matematika, vol. 3, no. 1, p. 65, Apr. 2019, doi: 10.31764/jtam.v3i1.764.

S. A. A. Kharis, I. Hadi, and K. A. Hasanah, “Multiclass Classification of Brain Cancer with Multiple Multiclass Artificial Bee Colony Feature Selection and Support Vector Machine,” in Journal of Physics: Conference Series, Institute of Physics Publishing, Dec. 2019. doi: 10.1088/1742-6596/1417/1/012015.

G. Mutanov, V. Karyukin, and Z. Mamykova, “Multi-class sentiment analysis of social media data with machine learning algorithms,” Computers, Materials and Continua, vol. 69, no. 1, 2021, doi: 10.32604/cmc.2021.017827.

D. E. Cahyani and D. E. Cahyani, “PENERAPAN MACHINE LEARNING UNTUK PREDIKSI PENYAKIT STROKE,” Jurnal Kajian Matematika dan Aplikasinya VOLUME, vol. 3, no. 1, 2022, doi: 10.17977/um055v3i1p15-22.

T. O. Hodson, “Root-mean-square error (RMSE) or mean absolute error (MAE): when to use them or not,” Geosci Model Dev, vol. 15, no. 14, pp. 5481–5487, Jul. 2022, doi: 10.5194/gmd-15-5481-2022.




DOI: http://dx.doi.org/10.24014/jsms.v10i2.28309

Refbacks

  • There are currently no refbacks.


Jurnal JSMS

p-ISSN     : 2460-4542 (print)
e-ISSN     : 2615-8663 (online)
Alamat   : Program Studi Matematika
                   Fakultas Sains dan Teknologi, UIN Suska Riau
                   Jl. H.R Soebrantas, No. 155, Tampan, Pekanbaru.
Website : http://ejournal.uin-suska.ac.id/index.php/JSMS
e-mail    : jsmsfst@uin-suska.ac.id