Analisis Sentimen Pengguna Twitter Terhadap Pelayanan Unit Gawat Darurat Rumah Sakit Umum di Indonesia Menggunakan Seleksi Fitur Information Gain dan Support Vector Machine
Abstract
Sentiment analisis adalah proses penggunaan text analytics untuk mendapatkan berbagai sumber data dari internet dan beragam platform media sosial fokus utamanya adalah menganalisa dokumen teks untuk memperoleh opini dari pengguna yang terdapat pada beragam platform media sosial. Pada penelitian ini dilakukan analisis sentiment postingan opini masyarakat terhadap pelayanan unit gawat darurat rumah sakit umum di Indonesia pada twitter yang nantinya menghasilkan informasi opini sentimen masyarakat berupa sentimen positif, negatif dan netral. Dalam penelitian ini dilakukan seleksi fitur menggunakan Information Gain dan Support Vector Machine sebagai algoritma klasifikasi text untuk mengklasifikasi sentiment opini masyarakat pada tweet twitter. Pada penelitian ini menunjukan nilai Prediksi yang diapat dari hasil Implementasi metode Support Vector Machine dengan menggunakan Seleksi Fitur Information gain adalah AUC 0.993, CA 0.980, F1 0.980, Precision 0.981 dan Recall 0.980.
Kata kunci: Seleksi fitur, Information gain, SVM, Analisis sentiment, Unit gawat darurat, twitter.
References
Asiyah, S. N. dan Fithriasari, K. (2016) “Klasifikasi Berita Online Menggunakan Metode Support Vector Machine Dan K-Nearest Neighbor,” Jurnal Sains dan Seni ITS, 5(2), hal. 317–322. doi: 10.12962/j23373520.v5i2.16643.
Fathan Hidayatullah, A. dan Sn, A. (2014) “ISSN: 1979-2328 UPN "Veteran,” Seminar Nasional Informatika, 2014(semnasIF), hal. 115–122.
Manomaisupat, P. dan Ahmad, K. (2005) “Feature selection for text categorisation using self-organising map,” Proceedings of 2005 International Conference on Neural Networks and Brain Proceedings, ICNNB’05, 3(June), hal. 1875–1880. doi: 10.1109/icnnb.2005.1614991.
Maulana, M. I. dan Soebroto, A. A. (2019) “Klasifikasi Tingkat Stres Berdasarkan Tweet pada Akun Twitter menggunakan Metode Improved k-Nearest Neighbor dan Seleksi Fitur Chi- square,” 3(7), hal. 6662–6669.
Maulana, M. R. dan Karomi, M. A. Al (2015) “Information Gain Untuk Mengetahui Pengaruh Atribut,” Jurnal Litbang Kota Pekalongan, 9, hal. 113–123.
Maulida, I. et al. (2016) “Seleksi Fitur Pada Dokumen Abstrak Teks Bahasa Indonesia Menggunakan Metode Information Gain,” Oktober 2016 Ijccs, 17(2), hal. 1–5.
Rosdiana et al. (2019) “Analisis Sentimen pada Twitter terhadap Pelayanan Pemerintah Kota Makassar,” Proceeding SNTEI, hal. 87–93.
Pratama, A., Wihandika, R. C. dan Ratnawati, D. E. (2018) “Implementasi algoritme support vector machine (SVM) untuk prediksi ketepatan waktu kelulusan mahasiswa,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 2(April), hal. 1704–1708.
Ratniasih, N. L., Sudarma, M. dan Gunantara, N. (2017) “Penerapan Text Mining Dalam Spam Filtering Untuk Aplikasi Chat,” Majalah Ilmiah Teknologi Elektro, 16(3), hal. 13. doi: 10.24843/mite.2017.v16i03p03.
Sari, B. N. (2016) “Implementasi Teknik Seleksi Fitur Information Gain pada Algoritma Klasifikasi Machine Learning untuk Prediksi Performa Akademik Siswa,” Seminar Nasional Teknologi Informasi dan Multimedia 2016, (March), hal. 6–7.
Simanjuntak, steven roy (2017) “Text Mining Untuk Klasifikasi Kategori Cerita Pendek Menggunakan Naïve Bayes (NB),” Jurnal Telematika, 12(01).
Syafaruddin dan Syukur, A. T. (2014) “ANALISIS KUALITAS PELAYANAN KESEHATAN PADA UNIT GAWAT DARURAT RUMAH SAKIT UMUM DAERAH HAJI MAKASSAR,” 20, hal. 52–61.
Utami, L. D. (2015) “Integrasi Metode Information Gain untuk Seleksi Fitur dan AdaBoost untuk Mengurangi Bias pada Analisis Sentimen Review Restoran Menggunakan Algoritma Naive Bayes,” Journal of Intelligent Systems, 1(2), hal. 120–126.
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
