ANALISIS SENTIMEN DATA PRESIDEN JOKOWI DENGAN PREPROCESSING NORMALISASI DAN STEMMING MENGGUNAKAN METODE NAIVE BAYES DAN SVM. Oleh:

Transkripsi

1 Jurnal Dinamika Informatika Volume 5, Nomor 1, November 2015 ANALISIS SENTIMEN DATA PRESIDEN JOKOWI DENGAN PREPROCESSING NORMALISASI DAN STEMMING MENGGUNAKAN METODE NAIVE BAYES DAN SVM Oleh: Nurirwan Saputra 1 Teguh Bharata Adji 2 Adhistya Erna Permanasari 3 1 Dosen Program Studi Teknik Informatika, Universitas PGRI Yogyakarta 2 Dosen Program Studi S2 Teknik Elektro dan Teknologi Informasi, Universitas Gajah Mada 3 Dosen Program Studi S2 Teknik Elektro dan Teknologi Informasi, Universitas Gajah Mada ABSTRAK Jokowi merupakan seorang tokoh masyarakat dengan jenjang karir yang sangat cepat, dan tidak luput dari pandangan masyarakat baik itu positif, netral maupun negatif. Data mengenai Jokowi yang berisikan komentar positif, netral dan negatif yang berasal dari media sosial dan blog politik diperlukan dalam menentukan langkah-langkah yang harus diambil oleh Jokowi untuk mendapatkan kepercayaan dari masyarakat. Selain itu data yang sudah didapat perlu dievaluasi untuk menunjukkan urgensi diimplementasikannya preprocessing terhadap data, yaitu normalisasi dan stemming. Analisis sentimen merupakan ilmu yang berguna untuk menganalisis pendapat seseorang, sentiment seseorang, evaluasi seseorang, sikap seseorang dan emosi seseorang ke dalam bahasa tertulis. Penelitian ini menggunakan search techniques dalam pengambilan data, sehingga pengambilan data dilakukan dengan efektif dan efisien. Search techniques dalam penelitian ini menggunakan Boolean searching dengan operator AND. Data yang sudah didapat dilabeli positif, netral dan negatif oleh penulis kemudian dikoreksi oleh ahli bahasa. Setelah itu dilakukan preprocessing baik itu mengubah kata tidak baku menjadi baku atau biasa disebut normalisasi menggunakan kamus dan mencari akar kata yaitu stemming dengan bantuan aplikasi Sastrawi Master. Selanjutnya dilakukan juga tokenisasi N-Gram, Unigram, Bigram, dan Trigram terhadap kalimat, kemudian menghilangkan kata-kata yang umum digunakan dan tidak mempunyai Informasi yang berharga pada suatu konteks atau biasa disebut stopword removal, dan mempertahankan emoticon karena emoticon merupakan simbol yang menunjukkan ekspresi seseorang ke dalam tulisan. Akurasi yang terbaik dalam penelitian ini adalah dengan dilakukan normalisasi dan stemming pada data sebesar 89,2655% menggunakan metode SVM, dan kemudian data yang dinormalisasi saja sebesar 88,7006% menggunakan metode SVM. Dalam penelitian ini, tidak ada ujicoba terhadap data yang dilakukan stemming saja, dikarenakan tahap yang harus dilakukan dalam stemming adalah melakukan normalisasi terlebih dahulu terhadap data. Keywords : analisis sentimen, sastrawi master, svm, smo, naive bayes. PENDAHULUAN Tanggal 20 Oktober 2014, Indonesia telah melewati pesta rakyat, yaitu pelantikan

2 ANALISIS SENTIMEN DATA PRESIDEN JOKOWI DENGAN PREPROCESSING NORMALISASI DAN STEMMING MENGGUNAKAN METODE NAIVE BAYES DAN SVM Nurirwan Saputra, Teguh Bharata Adji, Adhistya Erna Permanasari Presiden dan Wakil Presiden terpilih Joko Widodo - Jusuf Kalla yang resmi menjabat sebagai Presiden dan Wakil Presiden periode Terpilihnya Joko Widodo Jusuf Kalla ini tidak lepas dari pandangan masyarakat yang pro maupun kontra terhadap kinerja maupun individu khususnya Bapak Joko Widodo. Jenjang karir Jokowi sangat cepat, mulai tahun 2005 beliau menjabat sebagai walikota Solo, kemudian tahun 2012 menjadi Gubernur Ibukota RI yaitu DKI Jakarta, hingga saat ini tahun 2014 beliau sudah menjabat sebagai Presiden Republik Indonesia (RI). Pengambilan data dalam penelitian ini dilakukan menggunakan search techniques yang berasal dari University of Reading, agar pengambilan data dapat dilakukan dengan efektif dan efisien yang selanjutnya dilakukan koreksi label positif, netral dan negatif oleh pihak ketiga yaitu ahli bahasa Indonesia yang sudah berkecimpung lama dalam ilmu bahasa Indonesia dan sudah sepuluh tahun menjadi pengajar bahasa Indonesia. Analisis sentimen dan opinion mining adalah bidang studi yang menganalisis pendapat seseorang, sentiment seseorang, evaluasi seseorang, sikap seseorang dan emosi seseorang ke dalam bahasa tertulis. Analisis sentimen telah banyak menerima perhatian semenjak penelitian Pang, Turney, Goldberg dan Zhu. Teknik analisis sentimen dapat mendukung banyak keputusan dalam banyak skenario. Penelitian ini menggunakan tiga class attribute, yaitu positif, netral dan negatif, karena di internet komentar yang muncul dapat berupa komentar positif, netral dan negatif. Normalisasi pada penelitian ini menggunakan kamus KBBA (Kamus Besar Bahasa Alay) yang didapat dari Nurfalah Adiyasa karena kamus yang menjadi penelitiannya di-share untuk kepentingan penelitian selanjutnya. Stemmer yang dipakai menggunakan Sastrawi Master karena merupakan Library PHP untuk stemming bahasa Indonesia, mudah diintegrasikan dengan framework atau package lainnya, mempunyai API yang sederhana dan mudah digunakan. PreProcessing yang dilakukan perlu adanya penelitian apakah memang baik dilakukan semua atau tidak dalam penelitian analisis sentimen, sehingga terlihat perbandingan akurasi dari data yang sudah dinormalisasi dan stemming. Dengan melihat hasil akurasi yang didapat, dapat disimpulkan apakah penggunaan preprocessing tersebut harus dilakukan atau tidak guna mendapatkan hasil akurasi yang optimal. Metode klasifikasi yang dipakai dalam penelitian ini adalah Naive Bayes dan SVM. TUJUAN DAN MANFAAT PENELITIAN Tujuan dan manfaat dilakukannya penelitian ini sebagai berikut. 1) Pemilihan kombinasi yang terbaik dari proses normalisasi data dan stemming, terhadap akurasi analisis sentimen dengan metode SVM dan Naive Bayes. 2) Mendapatkan metode klasifikasi yang paling optimal dengan tiga class attribute dengan data yang dilakukan normalisasi dan stemming. LANDASAN TEORI Search Techniques Search techniques pada penelitian ini menggunakan salah satu metode pencarian yang dikemukakan oleh Jackie Skinner dari University of Reading yang merupakan universitas top 1% dunia.

3 Jurnal Dinamika Informatika Volume 5, Nomor 1, November 2015 Metode dalam search techniques yang dipakai dalam penelitian ini adalah menggunakan operator pencarian. Metode ini menggabungkan kata-kata pencarian mencakup sinonim dan dikenal juga sebagai Boolean searching. Pada metode ini memungkinkan untuk memasukkan banyak kata ataupun konsep dalam pencarian. Pada Gambar 1 bagian berwarna biru mengindikasikan hasil yang didapat berdasarkan operator AND, OR dan NOT. Gambar 1. Operator Boolean AND, OR dan NOT Data Mining Data mining adalah penerapan suatu algoritma untuk melakukan ekstraksi pola dari suatu data, sehingga dapat ditemukan pengetahuan yang tersembunyi dari suatu data. Data yang tidak diolah akan menjadi tidak berharga, sebaliknya ketika data diolah dengan baik, maka akan menjadi Informasi berharga yang dapat dimanfaatkan untuk kepentingan banyak hal, khususnya dalam penelitian ini untuk kepentingan manajemen reputasi Bapak Jokowi. Analisis Sentimen Analisis sentimen dan opinion mining adalah bidang studi yang menganalisis pendapat seseorang, sentiment seseorang, evaluasi seseorang, sikap seseorang dan emosi seseorang ke dalam bahasa tertulis. Analisis sentimen telah banyak menerima perhatian semenjak penelitian Pang, Turney, Goldberg dan Zhu. Analisis sentimen memiliki banyak tantangan, di antaranya adalah penilain yang dikeluarkan dalam sebuah dokumen atau bagian dari dokumen ditujukan kepada subjek atau objek, dan apakah pendapat yang dinyatakan positif atau negatif. Selain itu, terkadang kekuatan pendapat seseorang dan targetnya harus dicari diluar kalimat yang diberikan. Sentimen dalam sebuah teks menjadi sangat penting di beberapa aplikasi, seperti pengolahan dan penyimpulan review seseorang, buku dan film, kemudian analisis opini dalam politik, serta mengklasifikasikan kiriman dan komentar blog. Beberapa hal yang dilakukan (preprocessing) sebelum dilakukan proses klasifikasi pada WEKA di antaranya adalah sebagai berikut. Cleansing Pada proses ini, data yang diambil belum tentu bersih, terutama data yang diambil dari Twitter. Normalisasi Kata Komentar yang diberikan seseorang tidak semuanya menggunakan bahasa baku, banyak sekali yang menggunakan kata gaul, misalnya : gue, loe, dan lain lain, serta tidak jarang pula yang menggunakan potongan kata, misalnya : yg, brp, bgm, smoga dan lain lain. Kata yang tidak di normalisasi terlebih dahulu akan dikenali weka sebagai kata yang berbeda, misalnya smoga dan semoga yang seharusnya memiliki makna yang sama akan menjadi beda makna dikarenakan penulisannya yang berbeda. Untuk itu dilakukan normalisasi

4 ANALISIS SENTIMEN DATA PRESIDEN JOKOWI DENGAN PREPROCESSING NORMALISASI DAN STEMMING MENGGUNAKAN METODE NAIVE BAYES DAN SVM Nurirwan Saputra, Teguh Bharata Adji, Adhistya Erna Permanasari kata dari yang tidak baku menjadi kata baku. Untuk normalisasi ini menggunakan bantuan kamus KBBA yang didapat dari Nurfalah Adiyasa. Stemming Stemming adalah proses mengubah kata menjadi kata dasarnya dengan menghilangkan imbuhan-imbuhan pada kata dalam dokumen atau mengubah kata kerja menjadi kata benda. Stem (akar kata) adalah kata inti setelah imbuhan dihilangkan (awalan dan akhiran). Contoh : kata dihilangkan setelah imbuhan di- dan kan berubah menjadi hilang. Penelitian ini menggunakan stemmer Sastrawi. Sastrawi adalah library php sederhana yang menyediakan stemming kata bahasa Indonesia. Proses stemming oleh Sastrawi sangat bergantung pada kamus kata dasar, kamus kata dasar yang digunakan Sastrawi berasal dari kateglo.com dengan sedikit perubahan dan masing-masing mempunyai lisensi Sastrawi dan lisensi kateglo. Sastrawi dapat diunduh secara gratis di alamat Tokenisasi Proses tokenisasi adalah proses pemotongan string input berdasarkan tiap kata yang menyusunnya. Token yang dipakai dalam penelitian ini ini menggunakan. Penelitian ini mengimplementasikan tokenisasi N-Gram yang tidak terikat dengan satu aturan bahasa apapun, Tokenisasi menggunakan N-Gram adalah tahap pemrosesan dimana teks input dibagi menjadi unit-unit kecil yang disebut token sepanjang n karakter. Dalam bahasa Indonesia, frasa dengan satu kesatuan arti memiliki maksimal 3 kata, pembagian token dibagi menjadi Unigram, Bigram, Trigram dan N-Gram, berikut contoh pemecahan pada kalimat Jokowi memiliki motivasi mengabdi. Unigram: yaitu token yang terdiri dari hanya satu kata, menghasilkan: Jokowi, memiliki, motivasi, mengabdi. Bigram: yaitu token yang terdiri dari dua kata, menghasilkan: Jokowi memiliki, memiliki motivasi, motivasi mengabdi. Trigram: yaitu token yang terdiri dari tiga kata, menghasilkan: Jokowi memiliki motivasi, memiliki motivasi mengabdi. N-Gram, yaitu membagi menjadi Unigram, Bigram, dan Trigram, menghasilkan : Jokowi, Jokowi memiliki, Jokowi memiliki motivasi. WEKA (Waikato Environment fot Knowledge Analysis) WEKA adalah sebuah aplikasi yang dipakai untuk pembelajaran mesin (machine learning) yang dimaksudkan untuk membantu dalam penerapan teknik pembelajaran mesin keberbagai masalah yang ada dalam dunia nyata, khususnya dalam penelitian ini berhubungan dengan politik dan manajemen reputasi. Pembelajaran yang ada dalam WEKA meliputi visualisasi hasil, manipulasi data, hubungan antar basisdata, cross-validation, dan perbandingan set aturan untuk melengkapi penelitian yang berhubungan dengan pembelajaran mesin dasar. Selain itu, WEKA menyediakan lingkungan untuk keperluan klasifikasi, regresi, clustering, dan fitur seleksi. Dengan WEKA, dapat diketahui akurasi dari mulai preprocessing hingga hasil akhir dengan metode tertentu dengan cepat dibandingkan perhitungan manual. Naive Bayes Naive Bayes adalah sebuah algoritma analisa statistik, yang melakukan pengolahan data terhadap data numerik menggunakan probabilitas Bayesian. Klasifikasi klasifikasi Bayes adalah klasifikasi statistik yang dapat memprediksi kelas suatu anggota probabilitas. Untuk

5 Jurnal Dinamika Informatika Volume 5, Nomor 1, November 2015 klasifikasi Bayes sederhana yang lebih dikenal sebagai naïve Bayesian Classifier dapat diasumsikan bahwa efek dari suatu nilai atribut sebuah kelas tidak dipengaruhi atau mempengaruhi nilai dari atribut lainnya. Asumsi ini disebut class conditional independence yang diciptakan untuk memudahkan perhitungan, pengertian ini dianggap naive, dalam bahasa lebih sederhana naïve itu mengasumsikan bahwa kemunculan suatu term kata dalam suatu kalimat tidak dipengaruhi kata-kata yang lain, sehingga dalam analisis sentimen kata yang muncul memiliki bobot masing-masing yang kemudian dihitung total bobot seluruhnya apakah kalimat tersebut termasuk positif, netral ataupun negatif. SVM Support Vector Machine (SVM) adalah sejenis model vector berbasiskan classifier yang mengharuskan sebuah teks harus diubah menjadi vector sebelum digunakan untuk klasifikasi. Key idea dari SVM adalah untuk menemukan permukaan keputusan (Hyperlane) yang maksimal dari setiap titik data. Untuk melakukan training mesin yang didukung oleh vector atau biasa disebut Support Vector Machine (SVM) memerlukan solusi Quadratic Programming (QP) yang sangat besar. Quadratic Programming adalah masalah matematika untuk menemukan vector x yang meminimalkan fungsi kuadrat, dengan melakukan pembagian kelas menggunakan hyperplane maka masing-masing kelas positif, netral dan negatif dapat dibagi berdasarkan area masing-masing sehingga ketika terdapat data baru dapat ditentukan kelasnya berdasarkan area positif, netral maupun negatif. SVM untuk multiclass dapat diperlihatkan pada Gambar 2. Gambar 2. SVM untuk kelas positif, netral dan negatif SUMBER DATA Data diambil menggunakan search technique yaitu Boolean searching AND yang berasal dari media sosial Twitter dan Facebook serta blog politik, data diambil dari sebelum pemilihan umum 9 Juli 2014 hingga sesudah pemilihan Bapak Ir. H. Joko Widodo sebagai presiden pada tanggal 20 Oktober Data positif pada penelitian ini adalah komentar positif masyarakat yang berhubungan dengan sosok dan kinerja Jokowi, data negatif pada penelitian ini adalah komentar negatif masyarakat yang berhubungan dengan sosok dan kinerja Jokowi, serta komentar netral pada penelitian ini adalah berita atau komentar yang bersifat netral yang berhubungan dengan sosok dan kinerja Jokowi. Untuk kata kunci yang dimasukkan tidak hanya Jokowi and jujur, Jokowi and munafik, dan Jokowi and membahas saja, melainkan dilakukan juga untuk data positif, netral dan negatif dengan memasukkan kata kunci.

6 ANALISIS SENTIMEN DATA PRESIDEN JOKOWI DENGAN PREPROCESSING NORMALISASI DAN STEMMING MENGGUNAKAN METODE NAIVE BAYES DAN SVM Nurirwan Saputra, Teguh Bharata Adji, Adhistya Erna Permanasari HASIL Data yang pencariannya tanpa menggunakan Boolean searching mendapatkan hasil pencarian di Google sebanyak yang dapat dilihat pada Gambar 3. Dengan menggunakan Boolean searching untuk pencarian data positif dengan kata kunci Jokowi and jujur pada Gambar 4 mendapatkan hasil sebanyak atau terjadi pengurangan data sebesar (95,99%). Untuk pencarian data negatif dengan kata kunci Jokowi and munafik pada Gambar 5 mendapatkan hasil sebanyak atau terjadi pengurangan sebesar (98,198%) dan untuk pencarian data netral dengan kata kunci Jokowi and membahas pada Gambar 6 mendapatkan hasil sebanyak atau terjadi pengurangan sebesar (96,41%). Gambar 3. Hasil pencarian Jokowi di Google tanpa Boolean searching Gambar 4. Hasil pencarian Jokowi di Google dengan Boolean searching Jokowi and jujur

7 Jurnal Dinamika Informatika Volume 5, Nomor 1, November 2015 Gambar 5. Hasil pencarian Jokowi di Google dengan Boolean searching Jokowi and munafik Gambar 6. Hasil pencarian Jokowi di Google dengan Boolean searching Jokowi and membahas Dengan pengurangan data yang cukup besar, sehingga pencarian data Jokowi dapat dilakukan dengan efektif dan efisien. Total keseluruhan data yang dipakai dalam penelitian ini untuk data positif sebanyak 59, data netral sebanyak 60, dan data negatif sebanyak 58. Pada penelitian ini ini, dilakukan preprocessing yang berbeda pada masing-masing data, teknik preprocessing yang dilakukan pada penelitian ini terdapat pada kolom teknik preprocessing, teknik preprocessing sebagai berikut. Teknik preprocessing A TF-IDF = Yes ; Lowercase = Yes ; mintermfreq = 1 ; Normalize all data ; Stopwords = Yes ; Tokenizer = N-Gram ; dan Emoticon = Yes. Teknik preprocessing B TF-IDF = Yes ; Lowercase = Yes ; mintermfreq = 1 ; Normalize all data ; Stopwords = Yes ; Tokenizer = N-Gram ; dan Emoticon = No.

8 ANALISIS SENTIMEN DATA PRESIDEN JOKOWI DENGAN PREPROCESSING NORMALISASI DAN STEMMING MENGGUNAKAN METODE NAIVE BAYES DAN SVM Nurirwan Saputra, Teguh Bharata Adji, Adhistya Erna Permanasari Teknik preprocessing C TF-IDF = Yes ; Lowercase = Yes ; mintermfreq = 1 ; Normalize all data ; Stopwords = No ; Tokenizer = N-Gram ; dan Emoticon = Yes. Teknik preprocessing D TF-IDF = Yes ; Lowercase = Yes ; mintermfreq = 1 ; Normalize all data ; Stopwords = No ; Tokenizer = Unigram ; dan Emoticon = Yes. Teknik preprocessing E TF-IDF = Yes ; Lowercase = Yes ; mintermfreq = 1 ; Normalize all data ; Stopwords = No ; Tokenizer = Bigram ; dan Emoticon = Yes. Teknik preprocessing F TF-IDF = Yes ; Lowercase = Yes ; mintermfreq = 1 ; Normalize all data ; Stopwords = No ; Tokenizer = Trigram ; dan Emoticon = Yes. Agar tabel cukup satu halaman, dilakukan penyingkatan terhadap judul tabel, singkatan tersebut adalah sebagai berikut. LC = Lowecase. MTF = mintermfreq. N = normalize. SW = Stopwords. Met = Metode yang digunakan. T = Tokenizer. TPre = Teknik PreProcessing. Emo = Emoticon. NB = Naive Bayes. TTB = Time taken to build model (Waktu yang dibutuhkan untuk membangun model. Data Sudah Dinormalisasi (Percobaan 1) Percobaan 1 adalah data yang sudah dilakukan normalisasi tetapi belum dilakukan stemming dapat dilihat pada Tabel 1. Tabel 1. Data Sudah Dinormalisasi TPre Met TF-IDF LC MTF N SW T Emo TTB(s) Hasil (%) A A B B C C D D NB Yes Yes 1 1 Yes N-Gram Yes 1,08 83,0508 SVM Yes Yes 1 1 Yes N-Gram Yes 0,66 83,0508 NB Yes Yes 1 1 Yes N-Gram No 1,13 80,226 SVM Yes Yes 1 1 Yes N-Gram No 0,55 79,096 NB Yes Yes 1 1 No N-Gram Yes 1,14 86,4407 SVM Yes Yes 1 1 No N-Gram Yes 0,5 88,7006 NB Yes Yes 1 1 No Unigram Yes 0,23 88,1356 SVM Yes Yes 1 1 No Unigram Yes 0,22 88,1356 E NB Yes Yes 1 1 No Bigram Yes 0,5 67,7966

9 Jurnal Dinamika Informatika Volume 5, Nomor 1, November 2015 TPre Met TF-IDF LC MTF N SW T Emo TTB(s) Hasil (%) E SVM Yes Yes 1 1 No Bigram Yes 0,74 66,6667 F NB Yes Yes 1 1 No Trigram Yes 0,59 42,3729 F SVM Yes Yes 1 1 No Trigram Yes 0,44 40,678 Pada Tabel 1 dapat dilihat bahwa setelah data dilakukan normalisasi dari tidak baku menjadi baku, metode Naive Bayes rata-rata lebih unggul daripada SVM. Walaupun rata-rata akurasi yang tinggi adalah Naive Bayes, tetapi akurasi tertinggi adalah dengan menggunakan token N-Gram pada teknik preprocessing C menggunakan metode SVM dengan akurasi sebesar 88,7006%. Data Sudah Dinormalisasi dan Stemming (Percobaan 2) Percobaan 2 ini adalah data yang sudah dinormalisasi dan stemming, hasil akurasi pada jenis data ini dapat dilihat pada Tabel 2. Tabel 2. Data sudah normal dan stemming TPre Met TF-IDF LC MTF N SW T Emo TTB(s) Hasil (%) A A B B C C D D E E F F NB Yes Yes 1 1 Yes N-Gram Yes 1,15 83,0508 SVM Yes Yes 1 1 Yes N-Gram Yes 0,61 81,9209 NB Yes Yes 1 1 Yes N-Gram No 0,92 81,9209 SVM Yes Yes 1 1 Yes N-Gram No 0,56 81,3559 NB Yes Yes 1 1 No N-Gram Yes 1,03 88,7006 SVM Yes Yes 1 1 No N-Gram Yes 0,59 88,7006 NB Yes Yes 1 1 No Unigram Yes 0,34 88,1356 SVM Yes Yes 1 1 No Unigram Yes 0,36 89,2655 NB Yes Yes 1 1 No Bigram Yes 0,66 67,2316 SVM Yes Yes 1 1 No Bigram Yes 0,27 66,1017 NB Yes Yes 1 1 No Trigram Yes 0,49 44,0678 SVM Yes Yes 1 1 No Trigram Yes 0,38 44,0678 Pada Tabel 2 terdapat peningkatan akurasi dibandingkan Tabel 1 pada beberapa teknik preprocessing. Selain itu, terjadi perubahan akurasi tertinggi dibanding Tabel 1, pada Tabel 2 akurasi tertinggi dengan menggunakan token Unigram dan metode SVM dengan hasil akurasi sebesar 89,2655%.

10 ANALISIS SENTIMEN DATA PRESIDEN JOKOWI DENGAN PREPROCESSING NORMALISASI DAN STEMMING MENGGUNAKAN METODE NAIVE BAYES DAN SVM Nurirwan Saputra, Teguh Bharata Adji, Adhistya Erna Permanasari PEMBAHASAN Grafik perbandingan token pada metode Naive Bayes berdasarkan percobaan 1 dan 2 dapat dilihat pada Gambar 7. Gambar 7. Grafik Perbandingan Token Pada Metode Naive Bayes Dan grafik perbandingan token pada metode SVM berdasarkan percobaan 1 dan 2 dapat dilihat pada Gambar 8. Gambar 8. Grafik Perbandinan Token Pada Metode SVM Pada Grafik yang terlihat pada Gambar 7 dan Gambar 8 memperlihatkan bahwa metode N-Gram dan Unigram memperlihatkan akurasi yang lebih baik dibanding Bigram dan Trigram, kemudian Bigram lebih baik dibandingkan Trigram. Unigram dan N-Gram lebih tinggi dikarenakan masing-masing membagi kalimat menjadi satu kata, sehingga kemungkinan mendapatkan kata yang sama sangat besar sedangkan pada Bigram membagi kalimat per dua kata, sehingga dapat diartikan dua kata tersebut menjadi satu arti dan lebih kecil kemungkinan bertemu dua kata yang sama tersebut di kalimat yang lain, terlebih lagi trigram yang membagi kalimat per tiga kata, lebih kecil lagi kemungkinan bertemu kembali kepada tiga kata yang sama yang sudah dibagi di tiap kalimat.

11 Jurnal Dinamika Informatika Volume 5, Nomor 1, November 2015 KESIMPULAN DAN SARAN Kesimpulan Saran Berdasarkan penelitian yang dilakukan, dapat ditarik kesimpulan sebagai berikut. 1) Boolean searching dengan operator AND sangat efektif dan efisien dalam pencarian data, selain itu cukup berpengaruh terhadap akurasi analisis sentimen, karena menghasilkan tidak semua data mengenai Jokowi, melainkan yang mengandung kata yang dimasukkan. 2) Berdasarkan penelitian yang dilakukan, akurasi yang dihasilkan ketika data dilakukan stemming, terdapat peningkatan rata-rata sebesar 0,85% untuk metode Naive Bayes dan 0,85% untuk metode SVM. 3) Akurasi yang dihasilkan metode SVM tidak selalu unggul dibandingkan metode Naive Bayes, begitu pula sebaliknya. Untuk metode yang paling tinggi di masing-masing percobaan adalah metode SVM pada percobaan 1 mendapatkan akurasi 88,7006% untuk teknik preprocessing C, percobaan 2 mendapat akurasi 89,2655% untuk teknik preprocessing D. 4) Dengan melakukan normalisasi dan stemming, hasil yang didapat lebih tinggi dibandingkan dengan data yang hanya dilakukan normalisasi saja, dikarenakan dengan adanya normalisasi, kata-kata yang tidak sesuai dengan KBBA dapat disesuaikan dengan standar yang ada, ditambah lagi dengan adanya stemming, katakata yang dianggap berbeda karena terdapat imbuhan, dapat diubah terlebih dahulu berdasarkan kata dasarnya, sehingga variasi kata semakin sedikit, semakin sering muncul, dan dapat memberikan bobot positif, negatif ataupun netral terhadap kata tersebut semakin baik. Saran yang bisa diberikan berdasarkan penelitian yang sudah dilakukan di antaranya sebagai berikut. 1) Perlu adanya stopwords yang dikhususkan untuk analisis sentimen yang mampu meningkatkan akurasi pada analisis sentimen. 2) Penelitian mengenai analisis sentimen menggunakan teknik sinonim dan akronim. DAFTAR PUSTAKA Pesta Rakyat di pelantikan Jokowi-Jusuf Kalla, merdeka.com. [Online]. Available: [Accessed: 16-Nov-2014]. P. J. R. B. Tips and T. says, Profil Jokowi I Biodata Lengkap Joko Widodo Dunia Baca dot Com.. J. Skinner, Searching databases tips to save you time when finding Information, A guide to effective database searching, Sep [Online]. Available: [Accessed: 06- Jan-2015].

12 ANALISIS SENTIMEN DATA PRESIDEN JOKOWI DENGAN PREPROCESSING NORMALISASI DAN STEMMING MENGGUNAKAN METODE NAIVE BAYES DAN SVM Nurirwan Saputra, Teguh Bharata Adji, Adhistya Erna Permanasari B. Pang and L. Lee, Opinion Mining and Sentiment Analysis, Found Trends Inf Retr, vol. 2, no. 1 2, pp , Jan G. Agung, PERANCANGAN DAN IMPLEMENTASI SISTEM KLASIFIKASI KOMENTAR DENGAN ALGORITMA NAÏVE BAYES CLASIFIER, [Online]. Available: N. Adiyasa, Sentiment Analysis Menggunakan Pendekatan Lexicon-Based, Catatan Kecil. [Online]. Available: [Accessed: 02- Dec-2014]. V. K. Singh, R. Piryani, A. Uddin, P. Waila, and Marisha, Sentiment analysis of textual reviews; Evaluating machine learning, unsupervised and SentiWordNet approaches, in th InterNational Conference on Knowledge and Smart Technology (KST), 2013, pp G. Holmes, A. Donkin, and I. H. Witten, WEKA: a machine learning workbench, in Proceedings of the 1994 Second Australian and New Zealand Conference on Intelligent Information Systems,1994, 1994, pp Frank, M. Hall, L. Trigg, G. Holmes, and I. H. Witten, Data mining in bioinformatics using Weka, Bioinformatics, vol. 20, no. 15, pp , Oct University of Reading. [Online]. Available: [Accessed: 06-Jan-2015]. U. Fayyad, G. Piatetsky-Shapiro, and P. Smyth, From Data Mining to Knowledge Discovery in Databases, AI Mag., vol. 17, no. 3, p. 37, Mar sastrawi/sastrawi, GitHub. [Online]. Available: [Accessed: 03-Dec-2014].