Analisis Sentimen Pengguna Twitter Terhadap Acara Standup Comedy Dengan Menggunakan Support Vector Machine Dan Naive Bayes Classifier

Analisis Sentimen Pengguna Twitter terhadap Acara StandUp
Comedy dengan Menggunakan Support Vector Machine dan Naïve
Bayes Classifier

SKRIPSI

Diajukan Untuk Menempuh Ujian Akhir Sarjana

RINA PRIYANI
10109027

Program Studi Teknik Informatika
Fakultas Teknik Dan Ilmu Komputer
Universitas Komputer Indonesia
2015

KATA PENGANTAR
AlhamdulillahiRabbil ‘Alamiin, segala puji dan syukur penulis panjatkan
kehadirat Allah SWT yang telah memberikan rahmat dan karunia-Nya, shalawat
serta salam semoga tercurah kepada Rasulullah SAW, sehingga penulis dapat
menyelesaikan skripsi yang berjudul “ANALISIS SENTIMEN PENGGUNA

TWITTER

TERHADAP

ACARA

STANDUP

KOMEDI

DENGAN

MENGGUNAKAN SUPPORT VECTOR MACHINE DAN NAÏVE BAYES
CLASSIFIER” untuk memenuhi salah satu syarat dalam menyelesaikan studi
jenjang strata satu (S1) di Program Studi Teknik Informatika Universitas
Komputer Indonesia.
Dengan keterbatasan ilmu dan pengetahuan serta pengalaman penulis,
maka penulis mendapat banyak bantuan serta dukungan dari berbagai pihak. Oleh
karena itu, penulis mengucapkan terimakasih yang sebesar –besarnya kepada:
1.

Yang tercinta Ibunda (Neni Setiani) dan Ayah (Ade Nanang Sujana) yang
telah memberikan kasih sayang, cinta, doa, dan dukungan baik moril maupun
materi agar penulis dapat menyelesaikan skripsi ini tepat pada waktunya.

2.

Ibu Tati H.M., S.T., M.T., selaku wali kelas IF-1/2009 yang selalu
memberikan beberapa pengarahan kepada penulis.

3.

Ibu Ednawati Rainarli, S.Si.,M.Si., selaku dosen pembimbing. Terimakasih
karena telah banyak meluangkan waktu untuk memberikan bimbingan, saran
dan nasehatnya selama proses penyusunan skripsi ini.

4.

Bapak Erick Wijaya, S.Kom., selaku reviewer yang telah meluangkan waktu
dan memberikan saran beserta ilmunya selama proses penyusunan skripsi ini.

5.

Bapak Alif Finandhita, S.Kom., M.T., selaku penguji tiga memberikan saran
beserta ilmunya selama proses penyusunan skripsi ini.

6.

Bapak dan Ibu dosen serta seluruh staf pegawai Program Studi Teknik
Informatika Universitas Komputer Indonesia yang telah banyak membantu
penulis.

7.

Adik tersayang, Farhan Ramadhan yang telah memberikan semangat dan doa
yang tiada hentinya kepada penulis.

iii

8.

Orang terkasih, Robin Nasir yang selalu memberikan semangat, dukungan,
doa dan kasih sayang yang tiada hentinya kepada penulis.

9.

Seluruh teman-teman IF1/2009 yang selalu memberikan dukungan, bantuan,
dan semangat selama penyelesaian skripsi ini.

10. Seluruh keluarga dan sahabat yang tidak dapat penulis sebutkan satu persatu,
terimakasih telah memberikan segala bentuk bantuan untuk menyelesaikan
skripsi ini.
Penulis menyadari bahwa penulisan skripsi ini masih jauh dari sempurna.
Untuk perbaikan dan pengembangan, penulis mengharapkan saran dan kritik yang
bersifat membangun. Akhir kata, semoga penulisan skripsi ini dapat bermanfaat
bagi penulis khususnya, dan semua yang membaca.

Bandung, 19 Agustus 2015

Penulis

iv

DAFTAR ISI

ABSTRAK ....................................................................................................... i
ABSTRACT ..................................................................................................... ii
KATA PENGANTAR .................................................................................... iii
DAFTAR ISI ................................................................................................... v
DAFTAR GAMBAR ...................................................................................... viii
DAFTAR TABEL ............................................................................................ xi
DAFTAR SIMBOL.......................................................................................... xiii
DAFTAR LAMPIRAN ................................................................................... xv
BAB 1 PENDAHULUAN .............................................................................. 1
1.1 Latar Belakang Masalah ............................................................................ 1
1.2 Rumusan Masalah ..................................................................................... 2
1.3 Maksud dan Tujuan ................................................................................... 2
1.4 Batasan Masalah ........................................................................................ 3
1.5 Metodologi Penelitian ............................................................................... 3
1.6 Sistematika Penulisan ............................................................................... 5

BAB 2 LANDASAN TEORI .......................................................................... 7
2.1 Media Sosial .............................................................................................. 7
2.1.1 Twitter .................................................................................................... 7
2.2 Text Mining ............................................................................................... 9
2.3 Analisis Sentimen ..................................................................................... 10
2.4 Text Preprocessing .................................................................................... 10
2.4.1 Case Folding .......................................................................................... 11
2.4.2 Cleansing ................................................................................................ 11
2.4.3 Stopword Removal ................................................................................. 12
2.4.4 Convert Emoticon .................................................................................. 13
2.4.5 Convert Negation ................................................................................... 14

v

2.4.6 Tokenizer ................................................................................................ 14
2.5 Ekspresi Reguler ....................................................................................... 14
2.6 Pembelajaran Mesin .................................................................................. 17
2.7 Term Weighting ........................................................................................ 19
2.8 Informasi Retrieval .................................................................................... 19
2.9 Support vector Machine ............................................................................ 20

2.10 Naïve Bayes Classifier ............................................................................ 23
2.11 Evaluasi Kinerja Classifier ...................................................................... 25
2.11.1 K-fold Cross Validation ....................................................................... 25
2.12 Object Oriented Analysis and Design ..................................................... 27
2.13 Unified Modeling Language ................................................................... 29
2.14 Bahasa Pemrograman PHP ..................................................................... 30
2.15 JavaScript ................................................................................................ 30
2.16 Cascading Style Sheet (CSS) .................................................................. 31
2.17 XAMPP ................................................................................................... 33
BAB 3 ANALISIS MASALAHN DAN PERANCANGAN .......................... 34
3.1 Analisis Masalah ....................................................................................... 34
3.2 Analisis Sistem .......................................................................................... 34
3.3 Analisis Data Masukan ............................................................................. 37
3.4 Analisis Metode / Algoritma ..................................................................... 38
3.5 Spesifikasi Kebutuhan Perangkat Lunak ................................................... 57
3.6 Analisis Kebutuhan Non Fungsional ......................................................... 58
3.6.1 Analisis Kebutuhan Perangkat Keras (Hardware) .................................. 58
3.6.2 Analisis Kebutuhan Perangkat Lunak (Software) ................................... 59
3.6.3 Analisis Kebutuhan Perangkat Pikir (Brainware) ................................... 59
3.7 Analisis Kebutuhan Fungsional ................................................................. 60

3.8 Perancangan Sistem ................................................................................... 85
3.8.1 Perancangan Data .................................................................................... 85

vi

3.8.2 Perancangan Arsitektur ........................................................................... 87
3.8.3 Perancangan Antarmuka Perangkat Lunak ............................................. 88
3.8.3.1 Perancangan Tampilan Halaman Crawling .......................................... 88
3.8.3.2 Perancangan Tampilan Halaman Preprocessing .................................. 89
3.8.3.3 Perancangan Tampilan Halaman Support Vector Machine ................. 89
3.8.3.4 Perancangan Tampilan Halaman Naïve Baye ...................................... 90
3.8.4 Perancangan Pesan .................................................................................. 90
3.8.5 Jaringan Semantik ................................................................................... 91
BAB 4 IMPLEMENTASI DAN PENGUJIAN ............................................... 92
4.1 Implementasi Sistem .................................................................................. 92
4.1.1 Lingkungan Implementasi ....................................................................... 92
4.1.2 Implementasi Data .................................................................................. 93
4.1.3 Implementasi Antarmuka ........................................................................ 95
4.2 Pengujian Sistem ........................................................................................ 95
4.2.1 Rencana Pengujian .................................................................................. 95

4.2.2 Skenario Pengujian.................................................................................. 96
4.2.3 Hasil Pengujian ....................................................................................... 99
4.2.4 Evaluasi Pengujian .................................................................................. 105
BAB 5 KESIMPULAN DAN SARAN ........................................................... 106
5.1 Kesimpulan ................................................................................................ 106
5.2 Saran ........................................................................................................... 106
DAFTAR PUSTAKA ...................................................................................... 107

vii

DAFTAR PUSTAKA

[1]

[Online]. Available : http://suc.metrotvnews.com/article/ensiklopedia/13.
[Accessed 12 Februari 2014].

[2]

Ni Wayan Sumartini Saraswati, “pps.unud.ac.id,” [Online]. Available:

www.pps.unud.ac.id/thesis/pdf_thesis/unud-209-236721286-tesis.pdf.
[Accessed 10 Februari 2014]

[3]

I Sommerville, Softwere Engeneering, United States Of America: Addison
Wesley 2011.

[4]

[Online]. Available: http://romeiteamedia.com/2014/04/media-sosialpengertian-karakteristik.html.
[Accessed 20 Maret 2014]

[5]

I. H. Wltten, "Text Mining," in Computer Science, University of Waikato,
Hamilton, New Zealand, 2003.

[6]

I. Sunni and D. H. Widyantoro, "Analisis Sentimen dan Ekstraksi Topik
Penentu Sentimen pada Opini Terhdap Tokoh Publik," Jurnal Sarjana
Institut Teknologi Bandung Bidang Elektro dan Informatika, vol. 1, pp. 200
- 206, 2012.

[7]

[Online]. Available:
http://tutorial.dumbstrack.org/mengenal-reguler-expression-regex/.
[Accessed 21 April 2015]

[8]

Online].Available: http://lantip.net/tentang-machine-learning/.
[Accessed 20 Maret 2014]

[9]

Nugroho A.S., Arief Budi, and Dwi Handoko. 2003. Support Vector
Machine Teori dan Aplikasinya dalam Bioinformatika, kuliah umum
IlmuKomputer.Com.

[10] R. Kohavi, "A study of Cross-Validation and Bootstrap for Accuracy
Estimation

and

ModelSelection,"1995.

[Online].

Available:

http://ijcai.org/Past%20Proceedings/IJCAI-95-VOL2/PDF/016.pdf.
[Accessed 18 Desember 2014].

107

[11]

Wahono, Romi Satria. 2003. Object-Oriented Analysis and Design
Methodology, kuliah umum IlmuKomputer.Com.

[12]

[Online].Available:
http://academia.edu/48887559/fungsi_dan_pengertian_UML.
[Accessed 25 Juni 2015]

[13]

Solichin Achmad S.Kom., “Pemrograman Web dengan PHP dan
MYSQL”, [Online]. Available: http://achmatim.net.
[Accessed 25 Juni 2015]

[14]

Sunyoto, Andi. 2007. Ajax Membangun Web dengan Teknologi
Asynchronouse Javascript & XML. Yogyakarta: Penerbit Andi Offset.

[15]

Hadisaputra Adi, “HTML dan CSS Fundamental dari Akar ke Daun”,
[Online]. Available: http://ilmuwebsite.com.
[Accessed 28 Juni 2015]

[16]

[Online]. Available:
http://www.pusatdesainweb.com/2014/06/29/pengetian-dan-kegunaanxampp/
[Accessed 28 Juni 2015]

108

BAB 1
PENDAHULUAN
1.1 Latar Belakang Masalah
Dewasa ini perkembangan pertelevisian Indonesia sangatlah pesat, sehingga
banyak bermunculan acara-acara baru yang bervariasi. Mulai dari acara news, talk
show, variety show hingga acara lawak atau komedi. Salah satu acara komedi
adalah standup comedy, yaitu salah satu genre profesi melawak yang pelawaknya
membawakan lawakannya di atas panggung seorang diri, dengan cara bermonolog
mengenai suatu topik. Orang yang melakukan kegiatan ini disebut pelawak
tunggal atau komik[1].
Salah satu televisi yang mempunyai acara standup comedy yaitu kompastv.
Tak sekedar memberi hiburan komedi dengan komik yang sudah ada, kompastv
pun beberapa kali menggelar acara pencarian bakat standup comedy, yang
audisinya tersebar di seluruh Indonesia. Oleh karena antusias masyarakat yang
cukup besar terhadap standup comedy ini, maka kompastv pun memiliki media
sosial sebagai sarana promosi acara standup comedy, salah satunya yaitu twitter.
Twitter digunakan kompastv untuk menampilkan jadwal acara standup comedy
yang akan ditayangkan sehingga masyarakat dapat menonton acara tersebut.
Adanya akun resmi standup comedy kompastv di twitter, memungkinkan
masyarakat yang menjadi followers akun tersebut melakukan feedback dengan
menanggapi setiap postingan tweet dari akun tersebut. Karena ketersediaan
sentimen untuk acara standup comedy kompastv sangat melimpah, sehingga
feedback yang disampaikan oleh followers dapat digunakan untuk mengukur
analisis sentimen followers terhadap acara standup comedy di kompastv.
Permasalahan analisis sentimen adalah bagaimana melakukan klasifikasi
sentimen pada data twitter yang hasilnya dapat dimanfaatkan untuk evaluasi
mengenai kualitas suatu acara televisi. Banyaknya tweet yang masuk ke akun
twitter standup comedy kompastv dapat digunakan untuk mengetahui sentimen
followers terhadap acara standup comedy kompastv, akan tetapi dalam
penyampaian sentimen tersebut terdapat sentimen yang bukan merupakan opini,
1

2

maka dari itu sebelum sentimen diklasifikasikan ke dalam kategori positif dan
negatif, sebuah data twitter harus dipisahkan ke dalam kategori relevan dan tidak
relevan dengan menggunakan metode Support Vector Machine. Setelah data
twitter masuk ke dalam kategori relevan, selanjutnya data twitter tersebut
diklasifikasikan ke dalam kategori positif dan negatif dengan menggunakan
metode Naïve Bayes Classifier. Penggunaan Support Vector Machine dan Naïve
Bayes Classifier tersebut dikarenakan performasinya lebih baik untuk klasifikasi
teks berbahasa Indonesia, sehingga analisis sentimen dapat diterapkan pada tweet
bahasa Indonesia yang memiliki nilai subyektif[2].
Dari pemaparan di atas, studi kasus pada skripsi ini adalah analisis sentimen
terhadap akun standup comedy kompastv. Data masukan analisis sentimen berasal
dari postingan tweet akun standup comedy kompastv.
1.2 Rumusan Masalah
Berdasarkan uraian yang terdapat pada latar belakang masalah, maka rumusan
masalah yang ada yaitu bagaimana melakukan analisis sentimen pengguna twitter
terhadap acara standup comedy kompastv dengan menggunakan Support Vector
Machine dan Naïve Bayes Classifier.
1.3 Maksud dan Tujuan
Berdasarkan permasalahan yang diteliti, maka maksud dari penulisan tugas
akhir ini adalah melakukan analisis sentimen pengguna twitter terhadap acara
standup comedy kompastv dengan menggunakan metode Support Vector Machine
dan Naïve Bayes Classifier.
Adapun tujuan yang akan dicapai dalam tugas akhir ini adalah:
1. Untuk mengetahui sentimen pengguna twitter terhadap acara standup comedy
kompastv dengan menggunakan metode Support Vector Machine dan Naïve
Bayes Classifier.
2. Untuk mengetahui besarnya akurasi dari penggunaan metode Support Vector
Machine dan Naïve Bayes Classifier dalam melakukan analisis sentimen
pengguna twitter terhadap acara standup comedy kompastv.

3

1.4 Batasan Masalah
Batasan masalah dalam pembangunan aplikasi ini adalah sebagai berikut :
1. Twitter

yang

dianalisis

yaitu

twitter

standup

comedy

kompastv

“@StandUpKompasTV”.
2. Tweet yang digunakan adalah teks tweet berbahasa Indonesia.
3. Praproses yang dilakukan adalah Case Folding, Cleansing, Stopword
Removal, Convert Emoticon, Convert Negasi, dan Tokenizer.
4. Klasifikasi opini dalam bentuk relevan, tidak relevan, positif dan negatif.
5. Klasifikasi relevan dan tidak relevan menggunakan Support Vector Machine.
6. Klasifikasi positif dan negatif menggunakan Naïve Bayes Classifier.
7. Pengujian akurasi menggunakan K-Cross Validation.
8. Bahasa pemrograman dalam sistem ini menggunakan bahasa pemrograman
PHP.
9. Sistem yang dibangun adalah website dengan menggunakan pendekatan
OOAD (Object Oriented Analysis and Design).
10. Diagram UML yang digunakan yaitu usecase diagram, activity diagram,
sequence diagram, dan class diagram.
1.5 Metodologi Penelitian
Dalam penelitian tugas akhir ini, dilakukan beberapa metode untuk
memperoleh data atau informasi dalam menyelesaikan permasalahan. Metodologi
penelitian yang digunakan dalam penulisan tugas akhir ini adalah sebagai berikut:
1. Studi Literatur
Dalam pengumpulan data untuk menyusun skripsi ini menggunakan studi
literatur, yaitu sebuah penelitian ilmiah mengenai kesusastraan. Penulis
melakukan studi pustaka dengan cara mempelajari literatur berupa textbook,
jurnal elektronik, artikel ilmiah dan dokumen web yang relevan dengan topik
penelitian, yaitu mengenai analisis sentimen dan Support Vector Machine.

4

2. Pengumpulan Data Twitter
Pengumpulan data menggunakan sumber data primer yang diambil secara
langsung dari akun standup comedy kompastv dengan memanfaatkan
streamAPI (Application Programming Interface) yang disediakan oleh twitter.
3. Metode Pembangunan Perangkat Lunak
Dalam tahap ini, teknik analisis data menggunakan metode pengembangan
perangkat lunak secara waterfall yang meliputi:
a. Requirements analysis and definition
Tahap ini merupakan tahap mengumpulkan kebutuhan secara lengkap
kemudian dianalisis dan diidentifikasi kebutuhan yang harus dipenuhi oleh
program yang akan dibangun.
b. System and software design
Tahap ini merupakan tahap desain yang dikerjakan setelah kebutuhan
selesai dikumpulkan secara lengkap.
c. Implementation and unit testing
Tahap ini merupakan tahap menerjemahkan desain program ke dalam kodekode dengan menggunakan bahasa pemrograman yang sudah ditentukan.
Program yang dibangun langsung diuji baik secara unit.
d. Integration and system testing
Tahap ini merupakan penyatuan unit-unit program kemudian diuji secara
keseluruhan (system testing).
e. Operation and maintenance
Tahap ini merupakan tahap mengoperasikan program dilingkungannya dan
melakukan pemeliharaan, seperti penyesuaian atau perubahan karena
adaptasi dengan situasi sebenarnya. Untuk lebih jelasnya tahapan-tahapan
tersebut dapat dilihat pada Gambar 1.1

5

Gambar 1. 1 Model Proses Waterfall[3]

4. Evaluasi Hasil
Evaluasi performansi dilakukan dengan melihat nilai dari perhitungan
accuracy yang didapat dengan menggunakan metode k-fold cross validation.
1.6 Sistematika Penulisan
Sistematika penulisan tugas akhir ini disusun untuk memberikan gambaran
umum tentang penelitian yang dijalankan. Sistematika penulisan tugas akhir ini
adalah:
BAB I PENDAHULUAN
Bab ini menguraikan tentang latar belakang masalah, rumusan masalah,
maksud dan tujuan, batasan masalah, metodologi penelitian dan sistematika
penulisan.
BAB II LANDASAN TEORI
Pada bab ini membahas berbagai konsep dasar dan teori-teori yang
berkaitan dengan topik penelitian yang dilakukan. Landasan teori yang digunakan
antara lain tentang twitter, analisis sentimen, teknik analisis sentimen
menggunakan Machine Learning, pengklasifikasian menggunakan Support Vector
Machine dan Naïve Bayes Classifier.

6

BAB III ANALISIS MASALAH DAN PERANCANGAN
Bab ini membahas mengenai penentuan atribut analisis sentimen, cara
pengambilan data mentah dari twitter, serta implementasi Support Vector Machine
dan Naïve Bayes Classifier dalam pengklasifikasian data.
BAB IV IMPLEMENTASI DAN PENGUJIAN
Bab ini membahas mengenai implementasi metode Support Vector
Machine dan Naïve Bayes Classifier pada sistem yang dibuat, serta pengujian
sistem beserta hasil pengujian dari analisis sistem yang ada pada Bab III
kemudian melakukan analisis terhadap informasi dari hasil uji coba.
BAB V KESIMPULAN DAN SARAN
Bab ini berisi tentang kesimpulan-kesimpulan dari skripsi, dan terdapat
pula saran yang sudah diperoleh dari hasil penulisan tugas akhir agar dapat
digunakan di masa mendatang untuk pengembangan lebih lanjut analisis sentimen
dengan menggunakan metode Support Vector Machine dan Naïve Bayes
Classifier.

DAFTAR RIWAYAT HIDUP

A. Data Pribadi
Nama Lengkap
Nama Panggilan
Tempat, Tgl Lahir
Jenis Kelamin
Agama
Kewarganegaraan
Alamat
No. HP/Tlp
Email

: Rina Priyani
: Rina
: Cirebon, 23 Maret 1992
: Perempuan
: Islam
: Indonesia
: Jln. Veteran Gang Palem rt/rw 03/01 Ciseureuh
Purwakarta 41118
: 085659261764
: rinapriyani27@gmail.com

B. Pendidikan Formal
1997-2003
: SD Negeri 1 Ciseureuh, Purwakarta
2003-2006
: SMP Negeri 7 Purwakarta
2006-2009
: SMA Negeri 1 Jatiluhur, Purwakarta
2009 – 2015
: Universitas Komputer Indonesia, Bandung S1, Teknik
Informatika

ANALISIS SENTIMEN
PENGGUNA TWITTER TERHADAP ACARA STANDUP COMEDY
DENGAN MENGGUNAKAN SUPPORT VECTOR MACHINE DAN
NAÏVE BAYES CLASSIFIER
Rina Priyani

Teknik Informatika - Universitas Komputer Indonesia
Jl. Dipatiukur 112-114 Bandung
E-mail : rinapriyani27@gmail.com
ABSTRAK
Salah satu acara standup comedy adalah
standup comedy kompastv. Adanya akun resmi
standup comedy kompastv di twitter, memungkinkan
masyarakat yang menjadi followers akun tersebut
melakukan feedback dengan menanggapi setiap
postingan tweet dari akun tersebut. Karena
ketersediaan sentimen untuk acara standup comedy
kompastv sangat melimpah, sehingga feedback yang
disampaikan oleh followers dapat digunakan untuk
mengukur analisis sentimen followers terhadap acara
standup comedy di kompastv. Banyaknya tweet yang
masuk ke akun twitter standup comedy kompastv
dapat digunakan untuk mengetahui sentimen
followers terhadap acara standup comedy kompastv,
akan tetapi dalam penyampaian sentimen tersebut
terdapat sentimen yang bukan merupakan opini,
maka dari itu sebelum sentimen diklasifikasikan ke
dalam kategori positif dan negatif, sebuah data
twitter harus dipisahkan ke dalam kategori relevan
dan tidak relevan dengan menggunakan metode
Support Vector Machine. Setelah data twitter masuk
ke dalam kategori relevan, selanjutnya data twitter
tersebut diklasifikasikan ke dalam kategori positif
dan negatif dengan menggunakan metode Naïve
Bayes Classifier.
Permasalahan analisis sentimen adalah
bagaimana mengklasifikasikan sentimen kedalam
kelas-kelas yang sudah ditentukan. Selanjutnya,
untuk mengatasi permasalahan tersebut dilakukan
pembelajaran mesin dengan menggunakan Support
Vector Machine untuk pemisahan data relevan dan
tidak relevan, dan Naïve Bayes Classifier untuk
klasifikasi data positif dan negative. Penggunaan
Support Vector Machine dan Naïve Bayes Classifier
dikarenakan performasinya lebih baik untuk teks
berbahasa Indonesia, sehingga analisis sentiment
dapat diterapkan pada tweet yang memiliki nilai
subyektif.

Dari hasil pengujian dengan metode 10-fold
cross validation menunjukkan bahwa kedua metode
yang digunakan memiliki tingkat akurasi yang
cukup memuaskan yaitu 90.74% untuk metode
Support Vector Machine dan 95.91% untuk metode
Naïve Bayes Classifier.
Kata kunci: Analisis sentimen, Support Vector
Machine, Naïve Bayes Classifier, Cross Validation,
Twitter, tweet

1. PENDAHULUAN
Dewasa ini perkembangan pertelevisian
Indonesia sangatlah pesat, sehingga banyak
bermunculan acara-acara baru yang bervariasi.
Mulai dari acara news, talk show, variety show
hingga acara lawak atau komedi. Salah satu acara
komedi adalah standup comedy, yaitu salah satu
genre profesi
melawak yang pelawaknya
membawakan lawakannya di atas panggung seorang
diri, dengan cara bermonolog mengenai suatu topik.
Orang yang melakukan kegiatan ini disebut pelawak
tunggal atau komik[1].
Salah satu televisi yang mempunyai acara standup
comedy yaitu kompastv. Tak sekedar memberi
hiburan komedi dengan komik yang sudah ada,
kompastv pun beberapa kali menggelar acara
pencarian bakat standup comedy, yang audisinya
tersebar di seluruh Indonesia. Oleh karena antusias
masyarakat yang cukup besar terhadap standup
comedy ini, maka kompastv pun memiliki media
sosial sebagai sarana promosi acara standup comedy,
salah satunya yaitu twitter. Twitter digunakan
kompastv untuk menampilkan jadwal acara standup
comedy yang akan ditayangkan sehingga masyarakat
dapat menonton acara tersebut. Adanya akun resmi
standup comedy kompastv di twitter, memungkinkan
masyarakat yang menjadi followers akun tersebut
melakukan feedback dengan menanggapi setiap
postingan tweet dari akun tersebut. Karena

ketersediaan sentimen untuk acara standup comedy
kompastv sangat melimpah, sehingga feedback yang
disampaikan oleh followers dapat digunakan untuk
mengukur analisis sentimen followers terhadap acara
standup comedy di kompastv.
Permasalahan analisis sentimen adalah
bagaimana melakukan klasifikasi sentimen pada data
twitter yang hasilnya dapat dimanfaatkan untuk
evaluasi mengenai kualitas suatu acara televisi.
Penggunaan Support Vector Machine dan Naïve
Bayes Classifier tersebut dikarenakan performasinya
lebih baik untuk klasifikasi teks berbahasa
Indonesia, sehingga analisis sentimen dapat
diterapkan pada tweet bahasa Indonesia yang
memiliki nilai subyektif[2].

2. ANALISIS SENTIMEN PENGGUNA
TWITTER TERHADAP ACARA
STANDUP COMEDY DENGAN
MENGGUNAKAN
SUPPORT
VECTOR MACHINE DAN NAÏVE
BAYES CLASSIFIER
Kompastv merupakan sebuah stasiun televisi
swasta yang memiliki program acara standup
comedy, dan menggunakan Twitter sebagai salah
satu sosial media untuk sarana promosi. Dengan
adanya akun standup comedy kompastv dan jumlah
postingan tweet yang banyak setiap harinya
memungkinkan terdapat feedback dari penikmat
acara standup comedy yang merupakan followers
dari akun twitter tersebut, yang dapat dianggap
sebagai ketersediaan sentimen yang dimanfaatkan
untuk evaluasi kualitas program acara standup
comedy kompastv.
Namun permasalahan pada analisis sentimen
adalah bagaimana melakukan klasifikasi sentimen
pada data twitter yang hasilnya dapat dimanfaatkan
untuk evaluasi program acara standup comedy di
kompastv.
2.1 Analisis Sistem
Dalam
mengimplementasikan
metode
Support Vector Machine dan Naïve Bayes Classifier
akan dibangun sebuah prototype dengan gambaran
sistem yang akan tertera pada Gambar 1.
Sistem yang akan dibangun memiliki 4 tahap
yaitu praproses, training data, testing, dan cross
validation. Untuk penjelasan setiap tahap dapat
dilihat sebagai berikut:
1. Tahap pertama adalah tahap mengambil data
twitter dengan crawling menggunakan stream
API, kemudian data tersebut dilakukan proses
preprocessing yang merupakan tahap dimana
data yang akan digunakan sebagai data testing
dibersihkan dari noise atau dari hal yang tidak
mempunyai
pengaruh
dalam
sentimen.
Preprocessing yang dilakukan dalam tahap ini
antara lain: case folding, cleansing, stopword

removal, convert emoticon, convert negation,
tokenizer.
2. Tahap yang kedua adalah tahap training data,
pada tahap ini menggunakan dua data training,
yaitu data training support vector machine dan
data training naïve bayes, lalu kedua data
training tersebut dilakukan tahap preprocessing
dan diklasifikasikan secara manual kedalam
empat kelas yaitu kelas relevan dan tidak relevan
untuk data training support vector machine, dan
kelas positif dan negatif untuk data training naïve
bayes. Kemudian keempat kelas tersebut di
simpan ke dalam database data training. Setelah
itu tweet yang sudah diklasifikasikan secara
manual dibuat model analisis sentimen yang
nantinya akan disimpan kembali ke dalam
database detail data training yang akan
digunakan pada tahap testing sebagai model
analisis sentimen.
3. Tahap yang ketiga yaitu tahap testing, pada tahap
ini menggunakan data testing support vector
machine dan data testing naïve bayes sebagai
data masukan yang tentu saja sudah melalui
tahap preprocessing. Kedua data testing tersebut
diproses
sehingga
dapat
dilihat
kelas
sentimennya.
4. Tahap keempat yaitu tahap pengujian
menggunakan
metode
k-fold
cross
validation dimana data dibagi sejumlah n-fold
yang diinginkan,kemudian proses testing dan
training dilakukan sebanyak n kali sampai hasil
akurasi keluar. Hasil akurasi tersebut didapat dari
rata-rata akurasi pada setiap iterasi.

Gambar 1. Gambaran Sistem
2.2 Analisis Data Masukan
Data masukan yang digunakan adalah data
tweet dari akun twitter resmi StandUp KompasTv.
Data tweet tersebut didapat dengan memanfaatkan
fitur API (Application Interface) yang telah
disediakan oleh twitter untuk mendapakan API key,
dan access token yang nantinya digunakan untuk
pengambilan data tweet. Data yang diambil adalah
data
tweet
yang
mengandung
kata
“standupkompastv” atau data tweet yang terdapat
pada akun resmi “@StandUpKompasTV”, data
tersebut dapat dianggap mewakili sentimen dari
pengguna atau followers StandUp KompasTV. Data
berupa sebuah kalimat dengan panjang maksimal

140 karakter.
Contoh dari setiap tweet yang
mengandung
sentimen
pada
akun
“@StandUpKompasTV” terdapat pada Gambar 2
dan Gambar 3.

sentimen maka diperlukan proses preprocessing .
Pada proses ini data tweet yang digunakan untuk
data training data data testing dibersikan dari noise
atau ciri-ciri yang tidak berpengaruh pada klasifikasi
sentimen seperti link, “@”, “RT”, stopword, dan
lain sebagainya. Gambaran proses preprocessing
dapat dilihat pada Gambar 7.

Gambar 2. Tweet dengan sentimen positif
Gambar 7. Tahapan Preprocessing
1. Case Folding
Gambar 3. Tweet dengan sentimen negatif
Data tweet yang diambil dari akun resmi Standup
comedy kompastv masih berupa data mentah dan
terdapat noise atau ciri-ciri yang tidak mempunyai
pengaruh pada klasifikasi sentimen seperti link,
“@”, stopword, hashtag yang ditandai dengan
munculnya karakter “#”. Contoh tweet mentah
tersebut ada pada Gambbar 4.

Gambar 4. Contoh data tweet
Selain itu, karateristik tweet yang dirasa mempunyai
pengaruh pada penentuan sentimen adalah terdapat
emoticon yang merupakan salah satu cara untuk
mengekspresikan ungkapan persetujuan atau
pertidaksetujuan pada suatu kalimat atau tweets.
Contoh tweet mentah yang terdapat emoticon ada
pada Gambar 5.

Gambar 5. Contoh data tweet dengan emoticon
Karakteristik tweet selanjutnya yaitu ada
terdapat kata negasi yang perlu diperhatikan dalam
analisis sentimen karena dapat merubah nilai
sentimen suatu tweet. Kata yang bersifat negasi
seperti “tidak”, “bukan”, “ga”, “jangan”, “nggak”,
“tak”, “tdk”, dan “gak”. Contohnya kata “lelet” yang
merupakan kata dengan sentimen negatif, karena di
depan kata “lelet” terdapat kata negasi “tidak” maka
sentimen dari gabungan kata tersebut adalah positif.
Contoh tweet yang terdapat kata negasi ada
padaGambar 6.

Gambar 6. Contoh data tweet dengan negasi
Agar data-data tweets tersebut dapat
dimanfaatkan dengan baik untuk mengklasifikasikan

Pada proses case folding huruf besar atau uppercase
yang terdapat pada tweet diubah menjadi lowercase
atau huruf kecil.
2. Cleansing
Tweet yang terdapat pada akun resmi StandUp
KompasTV memiliki berbagai komponen atau
karakteristik tweet yang khas seperti “@” yang
diidentifikasi sebagai komponen username, URL
yang dikenal melalui operasi regular, hashtag yang
menandakan kata sebagai topik yang sedang
dibicarakan, dan “RT” yang diidentifikasi sebagai
mengulang kembali tweet yang telah diposting.
Komponen-komponen tersebut tidak memiliki
pengaruh apapun terhadap sentimen, maka akan
dibuang.
3.

Stopword Removal

Data tweet yang sudah melalui proses sebelumnya
masih mengandung kata yang dianggap tidak dapat
memberikan pengaruh dalam menentukan suatu
kategori sentimen. Kata-kata tersebut dimasukkan
kedalam daftar stopword yang biasanya berupa kata
ganti orang, kata ganti penghubung, pronomial
penunjuk, dan lain sebagainya.
4.

Convert Emoticon

Convert emoticon adalah proses mengkonversikan
emoticon kedalam string yang sesuai dengan
ekspresi emoticon itu sendiri. Convert emoticon
dilakukan karena pada data tweet yang diambil dari
standup comedy kompastv terdapat emoticon yang
merupakan salah satu cara mengekspresikan
persetujuan atau pertidaksetujuan dalam suatu tweet.
Hal ini dirasa mempunyai pengaruh terhadap
pengklasifikasian sentimen, oleh karena itu convert
emoticon digunakan.
Tabel 1. Konversi Emoticon[3]
Emoticon
>:] :-) :) :o) :] :3 :c) :> =] 8) =) :}
:^)
>:D :-D :D &-D 8D x-D xD X-D
XD =-D =D =-3 =3
>:] :-( :( :-c :c :-< :< :-[ :[ :{

Konversi
esenang
etertawa
esedih

:P :-P :P X-P x-p xp XP :-p :p =p
:-b :b
>:o >:O :-O :O o_O o.O 8-0
>:\ >:/ :-/ :-. :/ :\ =/ =\ :S
:| :-|
5.

ehoror
elidah
ekaget
ekesal
edatar

Convert Negation

Convert negation merupakan proses konversi
kata-kata negasi yang terdapat pada suatu tweet,
karena kata negasi mempunyai pengaruh dalam
merubah nilai sentimen pada suatu tweet. Kata
negasi yang terdapat pada suatu tweet akan
dihilangkan, dan diberikan penanda . Jika terdapat
kata negasi makan akan disatukan dengan kata
setelahnya. Kata-kata negasi tersebut meliputi kata
“bkn”, “bukan”, “tida”, “tak”, “ga”, “enggak”, “g”,
“jangan”, dan “tidak”.
6. Tokenizer
Pada proses tokenizer setiap kata pada tweet
dipisahkan, pada proses ini tahap yang dilakukan
adalah memisahkan setiap kata yang dipisahkan oleh
spasi, selanjutnya bagian tweet yang memiliki
karakter selain alphabet, angka, dan garis bawah
akan dipecah sesuai posisi karakter tersebut dan
bagian yang hanya memiliki satu karakter non
alphabet dan angka akan dibuang .
2.3 Pembobotan TF-IDF
Term weighting ialah proses memberikan
bobot terhadap semua kata pada dokumen, metode
Term weighting yang digunakan pada penelitian ini
adalah TF IDF. Term frequency adalah salah satu
metode pembobotan yang paling sederhana. Pada
metode ini setiap term diasumsikan memiliki
proporsi kepentingan sesuai dengan jumlah
terjadinya (munculnya) term tersebut dalam
dokumen. Persamaan TF adalah sebagai berikut:
Dimana TF(d,t) adalah frekuensi kemunculan
term t pada dokumen d.
Inverse Document Frequency memperhatikan
kemunculan term pada kumpulan dokumen. Pada
metode ini, term yang dianggap bernilai adalah term
yang jarang muncul pada kumpulan dokumen.
Persamaan IDF adalah sebagai berikut:

Dimana df(t) adalah banyak dokumen yang
mengandung term t. TF*IDF merupakan kombinasi
metode TF dengan IDF. Sehingga persamaan
TF*IDF adalah sebagai berikut:
2.4 Support Vector Machine

Support Vector Machine (SVM) merupakan
salah satu metode machine learning yang mengubah
text menjadi data vector. Vector dalam penelitian ini
memiliki dua komponen yaitu dimensi (word id) dan
bobot. Konsep SVM dapat dijelaskan secara
sederhana sebagai usaha mencari hyperplane terbaik
yang berfungsi sebagai pemisah dua buah class pada
input space[4]. Usaha untuk mencari lokasi
hyperplane ini merupakan inti dari proses
pembelajaran pada SVM. Klasifikasi pada SVM
dibagi menjadi 2, yaitu linier dan nonlinier.
Dimulai dengan kasus klasifikasi secara linier,
fungsi ini dapat didefinisikan
sebagai.
Dengan
Atau
Input pada penelitian SVM terdiri dari poinpoin yang merupakan vektor dari angka-angka real
data yang tersedia dinotasikan sebagai
sedangkan label masing-masing dinotasikan sebagai
untuk i = 1, 2, …,1 dimana 1 adalah
banyaknya data. Diasumsikan kedua kelas -1
(negatif) dan +1 (positif) dapat terpisah secara
sempurna oleh hyperplane berdimensi d, yang
didefinisikan,
Dengan
Sebuah pattern xi yang termasuk kelas -1
(sampel negatif) dapat dirumuskan sebagai pattern
yang memenuhi pertidaksamaan:
Dengan
Sedangkan pattern xi yang termasuk kelas +1
(sampel positif):
Dengan
Margin terbesar dapat ditemukan dengan
memaksimalkan nilai jarak antara hyperplane dan
.
titik terdekatnya, yaitu
2.5 Klasifikasi dengan Naïve Bayes
Pada pengklasifikasian menggunakan naïve
bayes dibagi kedalam 2 proses, yaitu proses training
dan testing. Proses training digunakan untuk
menghasilkan model analisis sentimen yang
nantinya akan digunakan sebagai acuan untuk
mengklasifikasikan sentiment dengan data testing
atau data mentah yang baru. Berikut adalah
algoritma klasifikasi sentimen menggunakan Naïve
Bayes Classifier:
1. Proses Training
a. Hitung
.
b. Hitung
untuk setiap kata
pada
model.
2. Proses Testing
a. Hitung
untuk setiap
kategori.

b. Tentukan

kategori
dengan
maksimal.

nilai
Gambar 8. Antarmuka Crawling Tweet

Pemberian kategori dari sebuah dokumen
dilakukan dengan memilih nilai c yang memiliki
nilai p(C = ci| D = dj) maksimum, dan dinyatakan
dengan:
(1)
Dimana :

Gambar 8. merupakan antarmuka Crawling
Tweet yang diimplementasikan dalam sistem. Tab
ini berfungsi untuk crawling data tweet dari akun
resmi standup comedy kompastv, yang nantinya
akan digunakan sebagai data testing untuk
diklasifikasikan
kedalam
beberapa
kategori
sentimen.

adalah hasil perkalian dari
probabilitas kemunculan semua kata pada dokumen
dj.
adalah hasil probabilitas dari semua kategori
pada data training.
Kategori c* merupakan kategori yang
memiliki nilai p(C = ci | D = dj) maksimum. Nilai
p(D = dj) tidak mempengaruhi perbandingan karena
untuk setiap k ategori nilainya akan sama.

3. IMPLEMENTASI DAN PENGUJIAN
3.1

Lingkungan Implementasi

Perangkat keras yang digunakan dalam proses
perancangan dan implementasi sistem memiliki
beberapa spesifikasi sebagai berikut:
1. Processor 2.13GHz
2. RAM 1024MB
3. Monitor dengan resolusi 1366x768 pixels
4. Keyboard
5. Mouse
Perangkat lunak yang digunakan dalam proses
implementasi sistem ini adalah sebagai berikut:
1. Sistem Operasi Windows 8 Starter 32 bit
2. Bahasa pemograman PHP.
3. Web server XAMPP.
4. Code editor berupa SublimeText3Portable.
5. DBMS : MySQL 5.5.27
6. Web Browser: Google Chrome 34.0.1847.137
3.2

Gambar 9. Antarmuka Preprocessing
Gambar
9.
merupakan
antarmuka
preprocessing yang berfungsi yang berfungsi untuk
menampilkan hasil dari setiap preprocessing data
testing sebelum data tersebut di klasfikasi, seperti
case folding, cleansing, stopword removal, convert
emoticon, convert negation, tokenizer.

Impelementasi Antarmuka (Interface)

Pada sub-bab ini akan dijelaskan mengenai
implementasi antar muka yang telah dirancang
sebelumnya. Hasil perancangan antarmuka yang
telah diimplementasikan adalah sebagai berikut:

Gambar 10. Antarmuka Support vector machine
Gambar 10. merupakan antarmuka support
vector machine yang berfungsi untuk menampilkan
data tweet yang sudah dikelompokkan ke dalam
kategori relevan dan tidak relevan.

Gambar 11. Antarmuka Naïve Bayes
Gambar 11. merupakan antarmuka naïve bayes
yang berfungsi untuk menampilkan data tweet yang
sudah diklasifikasi ke dalam kategori positif dan
negatif. hasil testing atau hasil klasifikasi data
testing, klasifikasi sentimen dari setiap tweet pada
data testing didapat dari perhitungan naïve bayes
yang sebelumnya telah melalui tahap preprocessing.

Gambar 12. Antarmuka Pengujian Support
Vector Machine
Gambar 12. merupakan antarmuka pengujian
support vector menggunakan cross validation yang
berfungsi untuk menguji performa klasifikasi dari
sistem yang di bangun .

Gambar 13. Antarmuka Pengujian Naïve Bayes
Classifier
Gambar 13. merupakan antarmuka pengujian
naïve bayes menggunakan cross validation yang
berfungsi untuk menguji performa klasifikasi dari
sistem yang di bangun. Performa klasifikasi dapat
dilihat dari hasil perhitungan akurasi dengan metode
cross validation.
3.3 Pengujian Akurasi Sistem dengan Metode
10-fold cross validation
Jumlah data memegang peranan penting di
dalam algoritma machine learning. Jumlah data
yang sedikit (1000 instance) namun data
itu sendiri tidak mudah untuk diperoleh.

K-fold cross validation adalah teknik yang
dapat digunakan apabila memiliki jumlah data yang
terbatas (jumlah instance tidak banyak)[5]. K-fold
cross validation merupakan salah satu metode yang
digunakan untuk mengetahui rata-rata keberhasilan
dari suatu sistem dengan cara melakukan perulangan
dengan mengacak atribut masukan sehingga sistem
tersebut teruji untuk beberapa atribut input yang
acak. K-foldcross
validation diawali dengan
membagi data sejumlah n-fold yang diinginkan.
Dalam proses cross validation data akan dibagi
dalam n buah partisi dengan ukuran yang sama
D1,D2,D3..Dn selanjutnya proses testing dan training
dilakukan sebanyak n kali. Dalam iterasi ke-i partisi
Di akan menjadi data testing dan sisanya akan
menjadi data training. Untuk penggunaan jumlah
fold terbaik untuk uji validitas, dianjurkan
menggunakan 10-fold cross validation
dalam
model.
Skenario pengujian merupakan tahap
penentuan pengujian yang dilakukan. Pengujian
dilakukan untuk metode support vector machine dan
naïve bayes. Pengujian dilakukan menggunakan
metode k-cross validation dengan nilai k sebanyak
10 fold, pengujian ini bertujuan untuk mengetahui
akurasi metode support vector machine dan naïve
bayes classifier yang diterapkan pada analisis
sentimen jika diuji dengan data training dan data
testing yang berbeda. Tahap pengujian dengan
menggunakan metode 10-fold cross validation
membagi dataset yang awalnya berjumlah 1881 data
akan dibagi menjadi 10 subset data untuk pengujian
support vector machine. Sedangkan untuk naïve
bayes
classifier
tahap
pengujian
dengan
menggunakan metode 10-fold cross validation
membagi dataset yang awalnya berjumlah 549 data
akan dibagi menjadi 10 subset data. Pada fold
pertama terdapat kombinasi 9 subset yang berbeda
digabung dan digunakan sebagai data training,
sedangkan 1 subset (sisa) digunakan sebagai data
testing, selanjutnya proses training dan testing
dilakukan sampai fold kesepuluh. Skenario uji
akurasi dengan metode 10-fold cross validation
dapat dilihat pada Tabel 2.
Tabel 2. Skenario Uji Stabilitas dengan 10-fold
Cross validation

3.4 Hasil dan Analisis Pengujian
Pada skenario uji dengan jumlah 10-fold cross
validation dan iterasi yang dilakukan sebanyak 10
kali iterasi untuk support vector machine rata-rata
yang dihasilkan yaitu 90.74%. Iterasi pertama pada
fold pertama menggunakan 1881 data, proses
training dan proses testing dilakukan sampai iterasi
ke-10. Detail hasil dari akurasi pengujian skenario
untuk support vector machine pada masing-masing
foldnya dapat dilihat pada Tabel 3.
Tabel 3. Hasil Uji Stabilitas dengan 10-fold cross
validation untuk support vector machine

Fold

Data

Subset

Fold
1
Fold
2
Fold
3
Fold
4
Fold
5
Fold
6
Fold
7
Fold
8
Fold
9
Fold
10

S2, S3, S4, S5, S6, S7 S8, S9, S10
S1
S1, S3, S4, S5, S6, S7 S8, S9, S10
S2
S1,S2, S4, S5, S6, S7 S8, S9, S10
S3
S1,S2, S3, S5, S6, S7 S8, S9, S10
S4
S1,S2, S3, S4, S6, S7 S8, S9, S10
S5
S1,S2, S3, S4, S5, S7, S8, S9, S10
S6
S1,S2, S3, S4, S5, S6, S8, S9, S10
S7
S1,S2, S3, S4, S5, S6, S7,S9, S10
S8
S1,S2, S3, S4, S5, S6, S7 , S10
S9
S1,S2, S3, S4, S5, S6, S7 S8, S9
S10
66
98.49%

Data

Data

Training

Testing

1

1881

215

74.42%

2

1881

215

96.28%

3

1881

215

93.02%

4

1881

215

94.89%

5

1881

215

93.02%

8

Training
Testing
Training
Testing
Training
Testing
Training
Testing
Training
Testing
Training
Testing
Training
Testing
Training
Testing
Training
Testing
Training
Testing
549

6

1881

215

94.89%

9

549

66

98.49%

7

1881

215

97.21%

10

549

66

84.85%

8

1881

215

95.35%

9

1881

215

97.67%

10

1881

215

70.70%

Fold

Rata-rata akurasi

Akurasi

90.74%

Pada skenario uji dengan jumlah 10-fold cross
validation dan iterasi yang dilakukan sebanyak 10
kali iterasi untuk naïve bayes rata-rata yang
dihasilkan yaitu 95.91%. Iterasi pertama pada fold
pertama menggunakan 549 data, proses training dan
proses testing dilakukan sampai iterasi ke-10. Detail
hasil dari akurasi pengujian skenario untuk naïve
bayes pada masing-masing foldnya dapat dilihat
pada Tabel 4.
Tabel 4. Hasil Uji Stabilitas dengan 10-fold cross
validation untuk support vector machine
Fold
Data
Data
Akurasi
Training

Testing

1

549

66

96.97%

2

549

66

95.45%

3

549

66

96.97%

4

549

66

98.49%

5

549

66

95.45%

6

549

66

98.49%

7

549

66

95.45%

Rata-rata akurasi

95.91%

Tabel 3. mengindikasikan bahwa nilai akurasi
pada tiap fold sudah sangat stabil. Percobaan pada
fold ke-1 memperlihatkan hasil yang paling rendah
74.42%, sedangkan
diantara 9 fold lainnya yaitu
fold sisanya menghasilkan akurasi yang lebih besar
dengan aurasi paling tinggi ada pada fold 1, 2, 3, 5,
7, dan 10. Sedangkan untuk Tabel 4. juga
mengindikasikan bahwa nilai akurasi tiap fold sudah
sangat
stabil.
Percobaan
pada
fold-10
memperlihatkan hasil yang rendah diantara 9 fold
84.85%. Jika dianalisis performa
lainnya yaitu
klasifikasi dengan Support Vector Machine dan
Naïve Bayes yang dihasilkan sudah bisa dikatakan
akurat, serta kinerja model klasifikasi sudah bisa
dikatakan baik dengan melihat rata-rata akurasi dari
setiap fold yang cukup besar yaitu 90.74% untuk
support vector machine dan 95.91% untuk Naïve
Bayes pada 10 fold cross validation dengan data
training yang digunakan sebanyak 1881 data untuk
support vector machine dan 549 data untuk naïve
bayes, karena secara umum semakin besar data
training maka akan semakin baik kinerja model
klasifikasi suatu sistem.

4 PENUTUP
4.1 Kesimpulan
Dari proses pengujian dan analisis yang telah
dilakukan, kesimpulan yang dapat diambil antara
lain:

1. Metode Support Vector Machine dapat
diterapkan pada analisis sentimen dalam retrieval
data untuk mengelompokkan data relevan dan
tidak relevan.
2. Metode Naïve Bayes Classifier dapat diterapkan
pada analisis sentimen dalam mengklasifikasikan
sentimen positif dan negatif.
3. Hasil pengujian stabilitas performa klasifikasi
dengan menggunakan metode 10-fold cross
validation menghasilkan akurasi yang cukup
tinggi yaitu 90.74% untuk Support Vector
Machine dan 95.91% untuk Naïve Bayes
Classifier. Hal ini menunjukan bahwa kinerja
model klasifikasi sudah bisa dikatakan baik dan
stabil.
4.2 Saran
Dari hasil pengujian , analisis dan kesimpulan
yang telah dirumuskan, terdapat hal yang disarankan
untuk penelitian selanjutnya, yaitu analisis sentimen
pada penelitian ini belum memperhatikan semantic
yaitu makna kata dan kalimat. Penelitian selanjutnya
diharapkan dapat menggunakan makna kata dan
kalimat untuk menentukan kategori sentimen pada
suatu dokumen agar mendapatkan hasil yang lebih
baik.

DAFTAR PUSTAKA
[1]

[Online].
Available
:
http://suc.metrotvnews.com/article/ensiklope
dia/13.
[Accessed 12 Februari 2014].

[2]

Ni
Wayan
Sumartini
Saraswati,
“pps.unud.ac.id,”
[Online].
Available:
www.pps.unud.ac.id/thesis/pdf_thesis/unud209-236721286-tesis.pdf.
[Accessed
10
Februari 2014]

[3]

I. Sunni and D. H. Widyantoro, "Analisis
Sentimen dan Ekstraksi Topik Penentu
Sentimen pada Opini Terhdap Tokoh Publik,"
Jurnal Sarjana Institut Teknologi Bandung
Bidang Elektro dan Informatika, vol. 1, pp.
200 - 206, 2012.

[4]

Nugroho A.S., Arief Budi, and Dwi
Handoko. 2003. Support Vector Machine
Teori dan Aplikasinya dalam Bioinformatika,
kuliah umum IlmuKomputer.Com.

[5]

R. Kohavi, "A study of Cross-Validation and
Bootstrap
for
Accuracy
Estimation
andModelSelection,"1995.
[Online].Available:http://ijcai.org/Past%20Pr
oceedings/IJCAI-95-VOL2/PDF/016.pdf.
[Accessed 18 Desember 2014].

SENTIMENT ANALYSIS ON TWITTER USER OF STANDUP COMEDY EVENT BY
USING SUPPORT VECTOR MACHINE AND NAÏVE BAYES CLASSIFIER

Rina Priyani
Informatic Engineering – Indonesian Computer University
Jl. Dipatiukur 112-114 Bandung
E-mail : rinapriyani27@gmail.com
ABSTRACT
One event is a standup comedy standup
comedy KompasTV. The existence of an official
account on twitter KompasTV standup comedy,
allowing people who become followers of the
account do feedback by responding to every posting
a tweet from the account. Because of the availability
of sentiment for a standup comedy show KompasTV
very abundant, so the feedback submitted by
followers can be used to measure sentiment analysis
followers to standup comedy show in KompasTV.
The number of tweets that get into standup comedy
KompasTV twitter account can be used to determine
the sentiment of followers to show KompasTV
standup comedy, but in the delivery of these
sentiments are sentiments which is not an opinion,
and therefore before sentiment classified into
positive and negative categories, a Data twitter
should be separated into categories relevant and
irrelevant by using Support Vector Machine. Once
the data twitter entry into the relevant category, then
the data twitter classified into positive