Analisis Sentimen Ulasan Terkait Review Taman Wisata Saloka Theme Park Menggunakan Algoritma Naive Bayes Classifier Tugas Akhir 1 Oleh : Dienda Rizkya Hayuningtyas Roosaputri NIM: 672019155 Program Studi Teknik Informatika Fakultas Teknologi Informasi Universitas Kristen Satya Wacana Salatiga Oktober 2022
i DAFTAR ISI DAFTAR ISI ........................................................................................................i DAFTAR GAMBAR...........................................................................................ii DAFTAR TABEL ..............................................................................................iii BAB 1 PENDAHULUAN ................................................................................... 1 1.1 Latar Belakang....................................................................................... 1 1.2 Rumusan Masalah.................................................................................. 2 1.3 Tujuan ................................................................................................... 2 1.4 Manfaat ................................................................................................. 2 1.5 Batasan Masalah .................................................................................... 2 BAB 2 TINJAUAN PUSTAKA........................................................................... 3 2.1 Tinjauan Pustaka.................................................................................... 3 2.2 Landasan Teori ...................................................................................... 4 2.2.1 Sentiment Analysis (SA) ................................................................. 4 2.2.2 Naive Bayes Classifier.................................................................... 5 BAB 3 METODE PENELITIAN ......................................................................... 6 3.1 Metode Penelitian .................................................................................. 6 3.1.1 Pengambilan Data........................................................................... 6 3.1.2 Pre-Processing Data....................................................................... 7 3.1.3 Labelling Data................................................................................ 8 3.1.4 Klasifikasi Naive Bayes .................................................................. 8 3.1.5 Evaluasi.......................................................................................... 8 DAFTAR PUSTAKA ........................................................................................ 10
ii DAFTAR GAMBAR Gambar 3.1 Metodologi Penelitian .................................................................... 6
iii DAFTAR TABEL Tabel 3.1 Sumber Data Penelitian........................................................................ 6 Tabel 3.2 Confusion Matrix................................................................................. 9
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Indonesia memiliki berbagai macam destinasi wisata berdasarkan Pasal 1 ayat (6) Undang-Undang Nomor 10 Tahun 2009 menyebutkan bahwa destinasi wisata pariwisata atau daerah tujuan pariwisata adalah kawasan geografis yang berada dalam satu atau lebih wilayah administratif yang di dalamnya terdapat daya tarik wisata, fasilitas umum, fasilitas pariwisata, aksesibilitas, serta masyarakat yang saling terkait dan melengkapi kepariwisataan. Tujuan adanya destinasi wisata sendiri untuk bersenang-senang dengan keluarga ataupun teman untuk menenangkan pikiran maupun aktivitas sehari-hari serta menjadi tempat edukasi untuk belajar yang lebih seru bagi anak-anak. PT Panorama Indah Permai (Saloka Theme Park) merupakan salah satu destinasi wisata yang ada di Indonesia berupa taman rekreasi keluarga terbesar di Jawa Tengah, destinasi ini mengusung konsep kearifan lokal berdasarkan legenda rakyat Baru Klinthing sebagai salah satu keunikan yang mejadikan keunggulan PT Panorama Indah Permai (Saloka Theme Park). Di bawah naungan PT Panorama Indah Permai, Saloka mulai dibangun pada Oktober 2016 dengan mengambil alih kawasan yang dahulu bernama Rawa Permai. Kemudian Saloka pertama kali dibuka pada 22 Juni 2019 dengan jam operasional yang berbeda pada weekdays maupun weekend. Ulasan yang diberikan oleh pengunjung melalui Google Maps maupun laman lainnya sangat diperlukan untuk menggali sebuah informasi yang bisa digunakan untuk menentukan apa saja yang perlu Saloka Theme Park kembangkan terhadap wahana, restoran, dan cafe yang tersedia, maupun layanan yang tersedia. Dengan majunya perkembangan teknologi informasi, saat ini analisis sentimen atau Sentiment Analysis (SA) dapat digunakan untuk menganalisis sebuah komentar pengunjung terhadap tempat wisata tersebut. Analisis sentimen merupakan salah satu bidang dari Natural Language Processing (NLP) yang dapat digunakan untuk menganalisis opini yang mengandung pesan negatif atau positif [1]. Berdasarkan latar belakang tersebut, penelitian ini akan mengimplementasikan analisis sentimen terhadap ulasan pengunjung yang mengunjungi taman wisata Saloka Theme Park. Data yang akan di proses mengambil data komentar Google Maps serta Traveloka terhadap taman wisata Saloka Theme Park. Analisis sentimen ini akan menguji performa algoritma Naive
2 Bayes Classifier terhadap data ulasan pengunjung serta melakukan klasifikasi pengkategorian review positif dan negatif untuk mendapatkan info kata apa saja yang muncul saat pengunjung memberikan ulasan terhadap tempat wisata tersebut. 1.2 Rumusan Masalah Berdasarkan latar belakang permasalahan yang ada, rumusan masalah untuk tugas akhir ini sebagai berikut: 1. Bagaimana melakukan analisis sentimen terhadap data ulasan review saat pengunjung berkunjung ke Saloka Theme Park? 2. Bagaimana performa yang dihasilkan menggunakan algoritma Naive Bayes Classifier terhadap data review tersebut? 1.3 Tujuan Adapun tujuan tugas akhir ini adalah melakukan analisis sentimen terhadap ulasan yang diberikan pengunjung saat mengunjungi Saloka Theme Park pada laman google maps maupun Traveloka serta melakukan mapping untuk melihat kata apa saja yang sering muncul saat pengunjung memberikan review pada taman wisata tersebut. 1.4 Manfaat Manfaat dari tugas akhir ini adalah: 1. Mengetahui performa algoritma Naive Bayes Classifier berdasarkan komentar pengunjung terhadap Saloka Theme Park. 2. Mengetahui kata apa saja kata yang muncul ketika pengunjung mereview tempat wisata tersebut dimana dapat menjadi sebuah informasi yang berguna untuk pengelola Saloka Theme Park. 1.5 Batasan Masalah Beberapa hal yang dibatasi pada tugas akhir ini adalah : 1. Analisis ini menggunakan metode algoritma Naive Bayes. 2. Data yang akan digunakan berupa ulasan review pengunjung pada laman Google Maps dan Traveloka dengan melakukan metode data scraping.
3 BAB 2 TINJAUAN PUSTAKA 2.1 Tinjauan Pustaka Penelitian ini dilakukan berdasarkan penelitian terdahulu yang memiliki kesamaan dalam penerapan algoritmanya. Dalam jurnal penelitian berjudul “Penerapan Algoritma Naive Bayes untuk Analisis Sentimen pada Wisata TMII Berbasis Website” membahas mengenai pembuatan website melalui sentimen yang diberikan oleh pengunjung saat berkunjung ke Taman Mini Indonesia Indah (TMII) dengan penerapan algoritma Naive Bayes diperoleh bahwa website tersebut dapat memberikan informasi mengenai opini yang ada serta mengklasifikasikannya berdasarkan kategori positif maupun negatif. Dengan upload sebuah opini dan dilakukan proses pre-processing didapat bahwa opini tersebut termasuk klasifikasi positif dengan persentase nilai positif 1.0296% [16]. Dalam jurnal penelitian berjudul “Analisis Sentimen Ulasan Terkait UNESCO Global Geopark di Google Maps dengan Algoritma Naive Bayes” membahas mengenai menilai review wisatawan Geopark Pelabuhan Ratu Ciletuh yang menggunakan algoritma Naive Bayes, karena algoritma tersebut memiliki tingkatan akurasi yang cukup tinggi. Dengan 120 per ulasan wisatawan di beberapa tempat wisata Unesco Global Geopark (UGG) didapat nilai akurasi tertinggi adalah Palangpang dengan nilai akurasi 98,61%, posisi kedua objek wisata Geyser Cisolok dengan nilai akurasi 94,44%, kemudian posisi ketiga objek wisata Ujung Genteng dengan nilai akurasi 98,36%, keempat yaitu objek wisata Cikaso dengan nilai akurasi 98,36%, kelima objek wisata Citepus dengan nilai akurasi 97,22%, keenam objek wisata Puncak Manic dengan nilai akurasi 96,92%, ketujuh adalah objek wisata Sodong dengan nilai akurasi 95,83%, kedelapan objek wisata Cipanarikan dengan nilai akurasi 95,01%, kesembilan objek wisata Bukit Teletubis dengan nilai akurasi 94,48%, dan terakhir merupakan objek wisata Cimarinjung dengan nilai akurasi 94,44%. Sehingga pada penelitian ini dapat disimpulkan bahwa nilai akurasi menggunakan algoritma Naive Bayes menghasilkan nilai akurasi yang tinggi yaitu diatas 90% dan banyak wisatawan memberikan ulasan positif terhadap objek wisata Unesco Global Geopark (UGG) Ciletuh Pelabuhan Ratu [2]. Dalam jurnal penelitian berjudul “Sentiment Analysis Objek Wisata Kalimantan Barat Pada Google Maps Menggunakan Metode Naive Bayes” membahas mengenai feedback yang diberikan wisatawan melalui google maps dibutuhkan untuk mengambil tindakan terkait pengembangan kualitas objek wisata Kalimantan Barat agar lebih optimal. Berdasarkan penelitian yang dilakukan, disimpulkan bahwa sistem dapat mengklasifikasikan kelas sentimen
4 ulasan objek wisata dengan nilai akurasi tertinggi 0,76 sedangkan terendah 0,38. Dengan kategori hasil sentimen analisis yaitu positif, maka performa metode Naive Bayes menunjukan bahwa nilai rata-rata f1-score kelas positif adalah 0,73 lebih tinggi dibanding kelas netral 0,53 dan negatif 0,14 [3]. Dalam jurnal penelitian berjudul “Sentimen Data Ulasan Menggunakan Metode Naive Bayes Studi Kasus The Wujil Resort dan Conventions pada Situs Tripadvisor” membahas mengenai ulasan yang masuk pada situs Tripadvisor terhadap hotel sehingga akan digali menjadi sebuah informasi untuk hotel tersebut. Proses pengklasifikasian data ulasan dilakukan dengan machine learning menggunakan metode Naive Bayes Classifier didapatkan tingkat akurasi sebesar 76,6%. Selanjutnya hasil klasifikasi dianalisis dengan metode text mining diperoleh informasi bahwa lebih banyak pengunjung memberikan penilaian positif daripada pengunjung yang memberikan penilaian negatif [4]. Berdasarkan acuan jurnal penelitian, penulis akan melakukan penelitian tentang analisis sentimen ulasan terkait review taman wisata Saloka Theme Park menggunakan algoritma Naive Bayes Classifier karena berdasarkan penelitian sebelumnya algoritma Naive Bayes Classifier cocok untuk dilakukan analisis sentimen dengan tingkat akurasi kurang lebih sebesar 70%. Penelitian ini diharapkan dapat bermanfaat untuk pihak Saloka Theme Park dalam mengembangkan layanan berdasarkan informasi yang sudah digali dari review para pengunjung. 2.2 Landasan Teori 2.2.1 Sentiment Analysis (SA) Sentiment Analysis (SA) atau analisis sentimen merupakan bagian dari Natural Language Processing (NLP) dan Machine Learning (ML) yang dapat digunakan untuk mengolah berbagai opini yang diberikan oleh konsumen atau pakar melalui berbagai media, mengenai sebuah produk, jasa ataupun sebuah instansi dan melakukan klasifikasi untuk mengelompokkan kedalam kelompok tertentu yang akan disesuaikan dengan sentimen opini tersebut. Analisis sentimen digunakan untuk mengetahui perasaan yang diberikan terhadap topik atau objek tersebut karena berdasarkan opini tersebut akan mendapatkan sebuah informasi tekstual yang bersifat subjektif dan memiliki polaritas positif dan negatif, dimana nilai polaritas dapat digunakan sebagai parameter dalam menentukan sebuah keputusan [8] [10] [11].
5 Analisis sentimen terdapat proses ekstraksi, mengolah dan memahami data teks yang dilakukan secara otomatis untuk menghasilkan informasi berupa sentimen yang tersirat di dalam sebuah kalimat. Proses pengelompokkan dilakukan minimal memiliki 2 kelompok yaitu, kelompok sentimen positif dan negatif [9]. 2.2.2 Naive Bayes Classifier Algoritma Naive Bayes Classifier merupakan metode penggolong menggunakan statistik sederhana berdasarkan teorema bayes yang mengasumsikan bahwa keberadaan atau ketiadaan dari suatu fitur tertentu dari suatu kelas tidak berhubungan dengan keadaan fitur lainnya [12]. Metode klasifikasi ini cocok digunakan untuk jumlah data atau masukan besar karena kecepatan dan kesederhanaannya serta memperhatikan tingginya akurasi. Klasifikasi ini dikategorikan sebagai klasifikasi sederhana dengan performa yang setara dengan algoritma lain seperti Decision Tree dan Neural Network Classifier [7]. Klasifikasi Naive Bayes dibangun berdasarkan data latih dengan tujuan digunakan untuk memperhatikan perkiraan probabilitas berdasarkan kategori data latih serta dilakukan dengan menggabungkan pengetahuan yang ada dengan yang baru [13]. Untuk ranah klasifikasinya yang dihitung adalah P(H|X), yaitu peluang bahwa hipotesa benar (valid) untuk data sample X yang diamati diterapkan pada persamaan 1 [14]. P(H|X) = (|) × () () (1) Keterangan: X = Data sample dengan kelas (label) yang tidak diketahui H = Hipotesa bahwa X adalah data dengan kelas (label) C P(H|X) = Peluang bahwa hipotesa benar (valid) untuk data sampel X yang diamati. P(X|H) = Peluang data sample X, bila diasumsikan bahwa hipotesa benar (valid). P(H) = Peluang dari hipotesa H P(X) = Peluang data sample yang diamati
6 BAB 3 METODE PENELITIAN 3.1 Metode Penelitian Metodologi yang akan digunakan pada tugas akhir tertera pada Gambar 3.1 dimana langkah-langkah tersebut akan dilakukan selama proses penelitian ini berjalan. Adapun detail metode pada penelitian ini terdapat tahapan yang dapat dilihat seperti pada Gambar 1 [5] [6] [7]. Gambar 3. 1 Metodologi Penelitian 3.1.1 Pengambilan Data Pada penelitian ini, penulis mengambil data melalui laman google maps serta Traveloka kurang lebih sebanyak 15 ribu data dengan rincian: Tabel 3. 1 Sumber Data Penelitian Pengambilan data Ulasan Google Maps 14.616 Traveloka 1.346 Data pada laman tersebut diambil dengan melakukan proses web scrapping data. Web scraping data merupakan proses mengekstraksi data dari laman google maps maupun Traveloka dengan bantuan API [17]. Proses web scraping menggunakan bantuan Web Scraper yang akan menampilkan semua data review seperti review, rating, maupun username pengguna dan akan disimpan dalam bentuk .csv.
7 3.1.2 Pre-Processing Data Pada saat proses pengumpulan data yang berasal dari laman Google Maps maupun Traveloka, data yang diambil masih berantakan bahkan terdapat kata-kata yang tidak sesuai dengan kata baku. Proses preprocessing dilakukan untuk meningkatkan akurasi klasifikasi terhadap data [15]. Pada penelitian ini, penulis melakukan 6 tahap untuk proses preprocessing yaitu normalisasi, case folding, translation, tokenizing, stopword removal, dan stemming [2] [6] [12] [16]. 3.1.2.1 Normalisasi Normalisasi merupakan proses penghilangkan bagian atau cleansing yang tidak dibutuhkan saat sudah melakukan scraping data sehingga hanya memerlukan bagian review para pengunjung saja. 3.1.2.2 Case Folding Case folding merupakan tahapan untuk merubah kalimat yang awalnya terdapat uppercase akan dijadikan lower case semuanya. 3.1.2.3 Translation Translation merupakan tahapan untuk menerjemahkan ulasan yang terdapat kata ataupun kalimat bahasa asing ke dalam bahasa Indonesia. 3.1.2.4 Tokenizing Tokenizing merupakan tahapan untuk mengidentifikasikan kata-kata dalam teks menjadi beberapa urutan yang terpotong oleh spasi atau karakter spesial menjadi dalam bentuk kata agar dapat dimengerti serta menghapus tanda baca yang ada pada ulasan. 3.1.2.5 Stopword removal Stopword removal merupakan tahapan untuk menghilangkan atau menyaring kata-kata yang sering muncul dalam review, namun tidak memberikan arti ataupun tidak memiliki keterkaitan yang signifikan dan tidak berpengaruh secara semantik dengan analisis sentimen review pengunjung.
8 3.1.2.6 Stemming Stemming merupakan tahapan untuk menghilangkan kata imbuhan yang terdapat pada sebuah teks menjadi kata dasar 3.1.3 Labelling Data Data yang sudah dilakukan proses pre-processing akan di beri label sesuai dengan kategori ulasan tersebut seperti positif, negatif, ataupun netral. 3.1.4 Klasifikasi Naive Bayes Data yang sudah dilakukan proses pre-processing dapat diklasifikasi ke dalam kategori tertentu. Algoritma Naive Bayes digunakan untuk mengambil keputusan dengan melakukan prediksi suatu kasus berdasarkan hasil dari klasifikasi yang diperoleh yaitu menentukan sentimen dari review para pengunjung [6]. Klasifikasi Naive Bayes dapat dilihat pada persamaan 2. P(H|X) = (|) × () () (2) Keterangan: X = Data sample dengan kelas (label) yang tidak diketahui H = Hipotesa bahwa X adalah data dengan kelas (label) C P(H|X) = Peluang bahwa hipotesa benar (valid) untuk data sampel X yang diamati. P(X|H) = Peluang data sample X, bila diasumsikan bahwa hipotesa benar (valid). P(H) = Peluang dari hipotesa H P(X) = Peluang data sample yang diamati 3.1.5 Evaluasi Pada algoritma Naive Bayes, terdapat evaluasi yang dapat dilakukan untuk mengecek performa algoritma tersebut dalam data yang digunakan. Evaluasi yang akan digunakan yaitu perhitungan accuracy, precision, recall, dan f1-score. Evaluasi dilakukan untuk membandingkan hasil klasifikasi dari pendekatan dengan data ground truth
9 Tabel 3. 2 Confusion Matrix Predicted Class True Class Positive Negative Positive True Positive (TP) False Negative (FN) Negative False Positive (FP) True Negative (TN) Perhitungan accuracy, precision, recall, dan f1-score dilakukan setelah mendapatkan nilai untuk masing-masing kelas dengan persamaan yang dapat dilihat pada berikut ini [3]. accuracy = + + + + (3) Precision = + (4) Recall = + (5) f1-score = 2 × × + (6)
10 DAFTAR PUSTAKA [1] Muzaki, Akhmad dan Witanti, Arita. 2021. Sentiment Analysis of The Community In The Twitter To The 2020 Election In Pandemic Covid-19 By Method Naive Bayes Classifier. Jurnal Teknik Informatika 2(2):101-107. [online]. http://jutif.if.unsoed.ac.id/index.php/jurnal/article/view/51. Diakses tanggal 19 Oktober 2022. [2] Utami, Dian Siti, Erfina, Adhita dan Mupaat. 2022. Analisis Sentimen Ulasan Terkait UNESCO Global Geopark Di Google Maps dengan Algoritma Naive Bayes. Jurnal Sains Komputer dan Informatika 6(2):1154-1170. [online]. https://tunasbangsa.ac.id/ejurnal/index.php/jsakti/article/view/524. Diakses tanggal 15 Oktober 2022. [3] Rifa’i, Ahmad, Sujaini, Herry dan Prawira, Dian. 2021. Sentiment Analysis Objek Wisata Kalimantan Barat Pada Google Maps Menggunakan Metode Naive Bayes. Jurnal Edukasi dan Penelitian Informatika 7(3):400-407. [online]. https://jurnal.untan.ac.id/index.php/jepin/article/view/48132. Diakses tanggal 15 Oktober 2022. [4] Rahanto, Faris Febri dan Kharisudin, Iqbal. 2021. Sentimen Data Ulasan Menggunakan Metode Naive Bayes Studi Kasus The Wujil Resort dan Conventions Pada Situs Tripadvisor. UNNES Journal of Mathematics 10(1):55- 62. [online]. https://journal.unnes.ac.id/sju/index.php/ujm/article/view/44683. Diakses tanggal 15 Oktober 2022. [5] Gunawan, Ferly, Fauzi, Mohammad Ali dan Adikara, Putra Pandu. 2017. Analisis Sentimen Pada Ulasan Aplikasi Mobile Menggunakan Naive Bayes dan Normalisasi Kata Berbasis Levenshtein Distance (Studi Kasus Aplikasi BCA Mobile). Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1(10):1082-1088. [online]. https://www.researchgate.net/profile/MuhammadFauzi6/publication/325468046_Analisis_Sentimen_Pada_Ulasan_Aplikasi_Mobile_Me nggunakan_Naive_Bayes_dan_Normalisasi_Kata_Berbasis_Levenshtein_Distanc e_Studi_Kasus_Aplikasi_BCA_Mobile/links/5e43dfed458515072d937240/Analis is-Sentimen-Pada-Ulasan-Aplikasi-Mobile-Menggunakan-Naive-Bayes-danNormalisasi-Kata-Berbasis-Levenshtein-Distance-Studi-Kasus-Aplikasi-BCAMobile.pdf. Diakses tanggal 24 Oktober 2022. [6] Astari, Ni Made Ayu Juli, Divayana, Dewa Gede Hendra dan Indrawan, Gede. 2020. Analisis Sentimen Dokumen Twitter Mengenai Dampak Virus Corona Menggunakan Metode Naive Bayes Classifier. Jurnal Sistem dan Informatika 15(1):22-29. [online]. https://jsi.stikom-bali.ac.id/index.php/jsi/article/view/332. Diakses tanggal 24 Oktober 2022.
11 [7] Krisdiyanto, Taofik dan Nurharyanto, Erry Maricha Oki. 2021. Analisis Sentimen Opini Masyarakat Indonesia Terhadap Kebijakan PPKM Pada Media Sosial Twitter Menggunakan Naive Bayes Classifier. Jurnal CoreIT 7(1):32-37. [online]. https://pesquisa.bvsalud.org/global-literature-on-novel-coronavirus2019-ncov/resource/pt/covidwho-1645429. Diakses tanggal 24 Oktober 2022. [8] Romadloni, Nova Tri, Santoso, Imam dan Budilaksono, Sularso. 2019. Perbandingan Metode Naive Bayes, KNN dan Decision Tree Terhadap Analisis Sentimen Transportasi KRL Commuter Line. Jurnal IKRA-ITH Informatika 3(2):1-9. [online]. https://journals.upi-yai.ac.id/index.php/ikraithinformatika/article/view/311. Diakses tanggal 24 Ooktober 2022. [9] Saurina, Nia, Rahayuningsih, Tri dan Retnawati, Lestari. 2022. Analisis Sentimen Ulasan Pelanggan Batik Ecoprint Menggunakan Naive Bayes dan KNN Classifier. Jurnal Teknik Informatika dan Sistem Informasi 9(2):1532-1542. [online]. https://jurnal.mdp.ac.id/index.php/jatisi/article/view/1483. Diakses tanggal 24 Oktober 2022. [10] Gunawan, Billy, Pratiwi, Helen Sasty dan Pratama, Enda Esyudha. 2018. Sistem Analisis Sentimen pada Ulasan Produk Menggunakan Metode Naive Bayes. Jurnal Edukasi dan Penelitian Informatika 4(2):113-118. [online]. https://jurnal.untan.ac.id/index.php/jepin/article/view/27526. Diakses tanggal 26 Oktober 2022. [11] Hasanah, Rohmatul dan Yustanti, Wiyli. 2021. Analisis Sentimen dan Pemeringkatan Popularitas Tempat Wisata dengan Naive Bayes dan AHP. Journal of Emerging Information Systems and Business Intelligence 2(1):21-27. [online]. https://ejournal.unesa.ac.id/index.php/JEISBI/article/view/38259. Diakses tanggal 26 Oktober 2022. [12] Wilianto, Lio, Pudjiantoro, Tacbir Hendro dan Umbara, Fajri Rakhmat. 2017. Analisis Sentimen Terhadap Tempat Wisata Dari Komentar Pengunjung Dengan Menggunakan Metode Naive Bayes Classifier Studi Kasus Jawa Barat. Prosiding SNATIF. [online]. https://jurnal.umk.ac.id/index.php/SNA/article/view/1368. Diakses tanggal 26 Oktober 2022. [13] Setyawati, Kezia Sekarayu, Handojo, Andreas dan Palit, Henry Novianus. 2021. Aplikasi Sentiment Analysis Terhadap Pelaksanaan Pembelajaran Jarak Jauh Universitas Kristen Petra Dengan Metode Naive Bayes Classifier. Jurnal Infra 9(1):1-6. [online]. https://publication.petra.ac.id/index.php/teknikinformatika/article/view/10940. Diakses tanggal 27 Ooktober 2022 [14] Ratnawati, Fajar. 2018. Implementasi Algoritma Naive Bayes Terhadap Analisis Sentimen Opini Film Pada Twitter. Jurnal Inovtek Polbeng - Seri Informatika 3(1):50-59. [online].
12 http://ejournal.polbeng.ac.id/index.php/ISI/article/view/335. Diakses tanggal 26 Oktober 2022. [15] Parwita, I Made Mika dan Siahaan, Daniel. 2019. Classification of Mobile Application Reviews using Word Embedding and Convolutional Neural Network. Lontar Komputer 10(1):1-8. [online]. https://ojs.unud.ac.id/index.php/lontar/article/download/44935/29377. Diakses tanggal 02 November 2022. [16] Sari, Retno dan Hayuningtyas, Ratih Yulia. 2019. Penerapan Algoritma Naive Bayes Untuk Analisis Sentimen Pada Wisata TMII Berbasis Website. Indonesian Journal on Software Engineering 5(2):51-60. [online]. https://ejournal.bsi.ac.id/ejurnal/index.php/ijse/article/view/6957. Diakses tanggal 02 November 2022. [17] Kurniawan, Robi dan Apriliani, Aulia. 2020. Analisis Sentimen Masyarakat Terhadap Virus Corona Berdasarkan Opini Dari Twitter Berbasis Web Scraper. Jurnal Informatika Sains dan Teknologi 5(1):67-75. [online]. http://journal.uinalauddin.ac.id/index.php/instek/article/view/13686. Diakses tanggal 02 November 2022.