Klasifikasi Opini Masyarakat Terhadap Jasa Ekspedisi JNE dengan Naïve Bayes

*Fithri Selva Jumeilah  -  STMIK Global Informatika MDP, Indonesia
Received: 7 Mar 2018; Published: 30 Apr 2018.
DOI: https://doi.org/10.21456/vol8iss1pp92-98 View
Data Set Data Mention Akun JNECare
Subject
Type Research Instrument
  View (643KB)    Indexing metadata
Open Access
Citation Format:
Abstract

The large number of online sales transactions has increased the number of service users. One of the companies engaged in the delivery service in Indonesia is Tiki Nugraha Ekakurir or more known JNE. Currently, JNE service users reach 14.000.000 per month. JNE has used many media communications with its customers one of them with Twitter. The number of followers of JNECare is 108,000 and the number of tweets is 375,000. The number of comments for people who can be used to see what they think of JNE is an inseparable comment is a negative, positive or neutral category. To simplify the grouping of comments, the data will be classified using the Naïve Bayes method present in Rstudio. The amount data used on the internet is 1725 tweets. The data will be divided into allegations of 70% data training as much as 1208 data and 30% data testing or as many as 517 data. Before the data is classified the previous data must go through the process of preprocessing that is changing all the letters into lowercase and other letters other than letters and spaces (case folding), tokenizing words, and the removal of the word common (stopword remove). After the data is cleared the data will be labeled manually one by one and new data can be used for the training process to get the probability model for each category. Probailitas obtained by using Naïve bayes algorithm. Models obtained from the training will be used using data testing. The categories obtained from the test will be used to process the data used by using the confusion matrix and will calculate the accuracy, precision and recall. From the results of the classification of JNE comments obtained that Naïve Bayes was able to classify the data well. This is evidenced by the average percentage accuracy of 85%, 78% precision and 67% recall.

Note: This article has supplementary file(s).

Keywords: Text Mining; Classification; Naïve bayes; Rstudio; Crawling

Article Metrics:

Article Info
Section: Research Articles
Language: EN
In Vol 8, No 1 (2018): Volume 8 Nomor 1 Tahun 2018
Statistics: 1542 1027
Related articles
Sistem Temu Kembali Informasi dengan Metode Vector Space Model Implementasi Metode Association Rule untuk Menganalisis Data Twitter tentang Badan Penyelenggara Jaminan Sosial dengan Algoritma Frequent Pattern-Growth Ekstraksi Informasi Semantik dan Spatiotemporal pada Artikel Online Terkait Bencana di Indonesia Algoritma K-Means Clustering Untuk Pengelompokan Ayat Al Quran Pada Terjemahan Bahasa Indonesia Sistem Informasi Evaluasi Perkuliahan dengan Sentimen Analisis Menggunakan Naïve Bayes dan Smoothing Laplace Aplikasi Terminal Sidik Jari Dalam Pemantauan Imunisasi Balita
  1. Ahmed, I., Guan, D., Chung, T.C., 2014, SMS Classification Based on Naïve Bayes Classifier and Apriori Algorithm Frequent Itemset. International Journal of Machine Learning and Computing 4 (2), 183-187
  2. Feldman, R., Sanger, J., 2007, The Text Mining Handbook: Advanced Approaches in Analyzing Unstructured Data. Cambridge University Press, New York
  3. Han, J., Kamber, M., Pei, J., 2006, Data Mining Concept and Techniques3rd . Elsivier Inc, USA
  4. Hidayatullah, A.F., Azhari, S.N., 2014, Analisis Sentimen dan Klasifikasi Kategori Terhadap Tokoh Publik Pada Twitter. Seminar Nasional Informatika, Yogyakarta, 12 Agustus, 115-122
  5. Hossin, M., Sulaiman, M.N., 2015, A Review on Evaluation Metrics for Data Classification Evaluations, International Journal of Data Mining & Knowledge Management Process 5 (2), 1-11
  6. Indraloka, D.S., Santosa, B., 2017. Penerapan Text Mining untuk Melakukan Clustering Data Tweet Shopee Indonesia. Jurnal Sains dan Seni Pomits 6 (2), A-51-A56
  7. Jumeilah, F.S., 2017, Penerapan Support Vector Machine (SVM) untuk Pengkategorian Penelitian. Rekayasa Sistem dan Teknologi Informasi 1(1), 19-25
  8. Kini, M., S.H., Devi, Desai, P.G., Chiplunkar, N., 2015, Text mining Approach to Classify Technical Research Document using Naïve Bayes. International Journal of Advanced Research in Computer and Communication Engineering 4(7), 386-391
  9. Kiruthika, M., Woona, S., Giri, P., 2016, Sentiment Analysis of Twitter Data. International Journal of Innovations in Egineering and Technology 6 (4), 264-273
  10. Li-guo, D., Peng, D., Ai-ping, L., 2014, A New Naïve Bayes Text Classification Algorithm. TELKOMNIKA Indonesian Journal of Electrical Engineering 12(2), 947-952
  11. Pang, B., Lee, L., 2008, Opinion Mining ans Sentiment Analysis. Foundations and Trends in Information Retrival 2 (1), 1-135
  12. Rani, V.V., Rani, K.S., 2016, Twitter Streaming and Analysis through R, Indian Journal of Science and Technology 9(45), 1-6
  13. Saleh, A., 2015, Implementasi Metode Klasifikasi Naïve Bayes Dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga. Creative Information Technology Journal 2(3), 207-217
  14. Ting, S.L., Ip, W.H., Albert H.C. Tsang, 2011, Is Naïve Bayes a Good Classifier for Document Classification?. International Journal of Software Engineering and Its Applications 5(3), 37-46

Last update: 2021-03-01 19:39:20

No citation recorded.

Last update: 2021-03-01 19:39:21

No citation recorded.

Penulis yang mengirimkan naskah harus memahami dan menyetujui bahwa jika diterima untuk dipublikasikan, hak cipta dari artikel adalah milik JSINBIS dan Universitas Diponegoro sebagai penerbit jurnal.

Hak cipta (copyright) meliputi hak eksklusif untuk mereproduksi dan memberikan artikel dalam semua bentuk dan media, termasuk cetak ulang, foto, mikrofilm dan setiap reproduksi lain yang sejenis, serta terjemahan. Penulis mempunyai hak untuk hal-hal berikut:

  1. menggandakan seluruh atau sebagian materi yang dipublikasikan untuk digunakan oleh penulis sendiri sebagai bahan pengajaran di kelas atau bahan presentasi lisan dalam berbagai forum;
  2. menggunakan kembali sebagian atau keseluruhan materi sebagai bahan kompilasi bagi karya tulis penulis;
  3. membuat salinan dari bahan yang dipublikasikan untuk didistribusikan di lingkungan institusi tempat penulis bekerja. 

JSINBIS dan Universitas Diponegoro serta Editor melakukan segala upaya untuk memastikan bahwa tidak ada data, pendapat atau pernyataan yang salah atau menyesatkan yang dipublikasikan di jurnal ini. Isi artikel yang diterbitkan di JSINBIS adalah tanggung jawab tunggal dan eksklusif dari masing-masing penulis.