Sentiment Analysis of Rising Fuel Prices on Social Media Twitter using the Naïve Algorithm Bayes Classifiers And AdaBoost

Imam Hendriyadi; Angela Febrianti Putri; Rahmawati Rahmawati; Dedi Dwi Saputra

doi:10.58777/ise.v1i1.55

Authors

Imam Hendriyadi Universitas Nusa Mandiri
Angela Febrianti Putri Universitas Nusa Mandiri
Rahmawati Rahmawati Universitas Nusa Mandiri
Dedi Dwi Saputra Universitas Nusa Mandiri

DOI:

https://doi.org/10.58777/ise.v1i1.55

Keywords:

Sentiment Analysis, Fuel Price Hike, Naïve Bayes Classifier, Twitter Social Media

Abstract

The government issued a policy of increasing the price of Indonesian fuel oil (BBM) in September 2022. This policy resulted from the war in Europe between Russia and Ukraine, which caused a surge in world oil prices because many respondents complained about the increase in fuel. This condition has caused much controversy or opinion among the public on social media, especially Twitter. With this phenomenon, sentiment analysis uses the Naïve Bayes classifiers algorithms to see how the public responds to government policies. The classification used in this sentiment analysis is Complaint or Not Complaint. Sentiment analysis of fuel rise on Twitter using Naïve Bayes classifier algorithm and AdaBoost Naïve Bayes classifier algorithm is applied to get the best classification By using hashtag tweets The increase in the price of fuel oil (BBM) which was taken 1000 tweets to be Used US a dataset. Data preprocessing consists of Text, Status, removal annotations, Remove hashtags, Remove urls, regexp, Indonesian stemming, and Indonesian stopword removal. The analysis results obtained an accuracy value of 70.69%, precision of 70.49%, recall of 71.45%, and AUC of 0.729 (good classification).

Pemerintah mengeluarkan kebijakan menaikkan harga bahan bakar minyak (BBM) Indonesia pada September 2022. Kebijakan ini adalah hasil dari perang di Eropa antara Rusia dan Ukraina hal ini menyebabkan lonjakan harga minyak dunia karena banyak responden masyarakat yang mengeluhkan atas kenaikan BBM. Hal ini banyak menimbulkan kontroversi ataupun opini pada kalangan masyarakat di social media khususnya twitter. Dengan adanya fenomena tersebut, untuk melihat bagaimana tanggapan masyarakat terhadap kebijakan pemerintah maka dilakukan analisis sentimen menggunakan algoritma naïve bayes classifier. Klasifikasi yang digunakan pada analisis sentimen ini adalah Complaint atau Not complaint. Analisis sentimen kenaikan bahan bakar pada twitter menggunakan algoritma naive bayes classifier dan adaboost, algoritma naïve bayes classifier ini diterapkan untuk mendapatkan klasifikasi terbaik. Dengan menggunakan hashtag tweets Kenaikan harga bahan bakar minyak (BBM) yang diambil 1000 tweet untuk di jadikan dataset. Preprocessing data terdiri dari Text, Status, Remove annotations, Remove hastag, Remove url, Regexp, Indonesian stemming, Indonesian stopword removal. Hasil analisis tersebut didapatkan nilai accuracy 70,69%, precision 70,49%, recall 71,45%, dan AUC yang didapat sebesar 0,729 (good classification).

References

Andika, L. A., Amalia, P., & Azizah, N. (2019). Analisis Sentimen Masyarakat terhadap Hasil Quick Count Pemilihan Presiden Indonesia 2019 pada Media Sosial Twitter Menggunakan Metode Naive Bayes Classifier. 2(1), 34–41.

Hardi, N., Alkahfi, Y., Handayani, P., Gata, W., Firdaus, M. R., Studi, P., Ilmu, M., Studi, P., Informasi, S., Pusat, K. J., & Khusus, D. (2021). Analisis Sentimen Physical Distancing pada Twitter Menggunakan Text Mining dengan Algoritma Naive Bayes Classifier. 10, 131–138.

Hidayah, N. F., & Budiman, S. N. (2022). Penerapan Metode Naive Bayes Dalam Analisis Sentimen Aplikasi Sentuh Tanahku Pada Google Play. Jati (Jurnal Mahasiswa Teknik Informatika), 6(2), 679-683.

Kurniasih, U., & Suseno, A. T. (2022). Analisis Sentimen Terhadap Bantuan Subsidi Upah (BSU) pada Kenaikan Harga Bahan Bakar Minyak (BBM). Jurnal Media Informatika Budidarma, 6(4), 2335–2340. https://doi.org/10.30865/mib.v6i4.49 58

Muhammad, Z., Rahmadhani, R., Rizqifaluthi, H., & Yaqin, M. A. (2018). Process Mining Akademik Sekolah Menggunakan RapidMiner. 10(2), 47–51.

Nugroho,D.G., Chrisnanto, Y. H., & Wahana, A. (2016).Analisis Sentimen Pada Jasa Ojek Online Menggunakan Metode Naive Bayes. Prosiding SNST Fakultas Teknik, 1(1).

Nofitri, R., & Irawati, N. (2019). Integrasi Metode Neive Bayes Dan Software Rapidminer Dalam Analisis Hasil Usaha Perusahaan Dagang. JURTEKSI (Jurnal Teknologi dan Sistem Informasi), 6(1), 35-42.

Novianti, N., Zarlis, M., & Sihombing, P. (2022). Penerapan Algoritma Adaboost Untuk Peningkatan Kinerja Klasifikasi Data Mining Pada Imbalance Dataset Diabetes. Jurnal Media Informatika Budidarma, 6(2), 1200-1206.

Prabowo, E., & Fauzan, A. C. (2021). Implementasi Algoritma Naive Bayes Classifier Untuk Penentuan Kelayakan Penerima Beasiswa Peningkatan Prestasi Akademik ( PPA ) Bagi Mahasiswa. 3(2), 165–177.

Putra, A. P., Pratama, Y., & Krisnadi, E. K. (2022). Text Mining untuk Sentimen Analisis dengan Metode Naïve Bayes , SMOTE , N-Gram dan. 6(September), 961–973.

Rilvani, E., Trisnawan, A. B., & Santoso, P. (2019). Penentuan Kelulusan Siswa Yayasan Cerdas Bakti Pertiwi dengan menggunakan Alghoritma Naive Bayes dan Cross Validation. Pelita Teknologi, 14(2), 145-153.

Ristyani Slamet, Gata, W., Novtariany, A., Hilyati, K., & Jariyah, F. A. (2022). Analisis Sentimen Twitter Terhadap Penggunaan Artis Korea Selatan Sebagai Brand Ambassador Produk Kecantikan Lokal. 5.

Saputra, R. A., & Waluyo, S. (2022). Penerapan Algoritma Naive Bayes Dalam Analisis Kenaikan Bahan Bakar Minyak Pada Twitter. In Seminar Nasional Mahasiswa Fakultas Teknologi Informasi (SENAFTI) Universitas Budi Luhur (Vol. 1, No. 1, pp. 156-163).

Saputra, Rahmad, S. (2022). Penerapan Algoritma Naive Bayes Dalam Analisis Kenaikan Bahan Bakar Minyak Pada Twitter. Seminar Nasional Mahasiswa Fakultas Teknologi Informasi (SENAFTI) Jakarta-Indonesia, September, 156–163. https://senafti.budiluhur.ac.id/index. php

Setiawan, K., Rahmatullah, B., Burhanuddin, Paryanti, A. B., & Fauzi, F. (2020). Komparasi Metode Naive Bayes Dan Support Vector Machine Menggunakan Particle Swarm Optimization Untuk Analisis Sentimen Mobil Esemka. 4(3), 102–111.

Sudiantoro, A. V., & Zuliarso, E. (2018). Analisis sentimen twitter menggunakan text mining dengan algoritma Naïve Bayes Classifier.

Sulistiyowati, N., & Jajuli, M. (2020). Integrasi Naive Bayes Dengan Teknik Sampling SMOTE Untuk Menangani Data Tidak Seimbang. Nuansa Informatika, 14(1), 34-37.

Yuliani, D., Saryono, Apriani, Maghfiroh, & Ro. (2022). Dampak Kenaikan Harga Bahan Bakar Minyak (BBM) Terhadap Sembilan Bahan Pokok (Sembako) Di Kecamatan Tambun Selatan Dalam Masa Pandemi. Jurnal Citizenship Virtues, 2(2), 320–326.