perancangan alat bantu brand monitoring di situs jejaring sosial twitter menggunakan metode naive bayes classifier dan mutual information

apriadhie purnama ramadhan

Informasi Umum

Kode

113080206

Klasifikasi

005.1 - Computer programming

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Rekayasa Perangkat Lunak

Dilihat

224 kali

Informasi Lainnya

Abstraksi

ABSTRAKSI: Brand Monitoring pada Microbloging seperti twitter adalah salah satu cara yang dapat digunakan guna mengetahui pendapat masyarakat terhadap sebuah barang atau jasa yang diberikan oleh perusahaan. Brand monitoring dapat dilakukan dengan cara melihat opini positif maupun negatif yang diberikan masyarakat. Permasalahan pengklasifikasian pendapat ke dalam opini negatif dan positif dapat diselesaikan dengan menggunakan algoritma Naïve Bayes Classifier. Naïve Bayes Classifier adalah salah satu contoh algoritma pengklasifikasian. Dengan menggabungkan feature selection Mutual Information diharapkan algoritma ini dapat menghasilkan akurasi yang baik. Pada Naïve Bayes Classifier terjadi dua proses yaitu proses latih dan tes. Proses latih dilakukan terhadap sebagian data sample, dari pelatihan ini kan didapatkan sebuah model probabilitas, yang nantinya model ini akan digunakan oleh data pada proses tes. Pada tugas akhir ini dilakukan perbandingan nilai akurasi diantara kedua metode yaitu dengan menggunakan MI dan tanpa menggunakan MI. Hasil percobaan menunjukan bahwa metode dengan menggunakan Mutual Information memiliki akurasi yang lebih baik dengan nilai rata-rata akurasi 84,5%.Kata Kunci : brand monitoring, feature selection, mutual information, naive bayes, klasifikasi, opini.ABSTRACT: Brand Monitoring on Microbloging like twitter is one way that can be used to determine public opinion against the goods or services supplied by the company. Brand monitoring can be done by looking at the positive and negative opinions given by the society. Problems classification opinion into positive and negative opinions can be solved by using a Naive Bayes classifier algorithm Multinomnal. Naive bayes Classifier is one example of classification algorithms. By combining feature selection Mutual Information, this algorithm is expected to produce a good accuracy. There are two processes in Naive bayes Classifier happened, they are the process of training and testing. The process of training is applied to some of the data samples, from the training, a probabilty model can be defined, which is later, the model will be used by the data on the test. In this final threshold value comparison on the comparison method by using Mutual Information and without the use of Mutual Information. And showed that the method using the Mutual Information has better accuracy with value 84,5%.Keyword: brand monitoring, feature selection, mutual information, naive bayes, classification, opinions.