Analisis Sentimen Persepsi Masyarakat Terhadap Pemilu 2019 Pada Media Sosial Twitter Menggunakan Naive Bayes
Notice bibliographique
Résumé
According to the BAWASLU evaluation a variety of related negative content supports supporting prospective couples to burst into various social media pages. So sometimes the content leads to a hoax issue to the issue of religious and inter-group Racial (SARA). One of the social media used by the people of Indonesia is Twitter, according to Kompas.com number of Twitter daily users globally claimed to be increasing, this appears to be the 3rd Quarter Twitter Financial Report of 2019 on Twitter's 3rd quarter of 2019 Financial reports, daily active users on the Twitter platform are recorded to increase by 17 percent, to the number of 145 million users. So it is necessary that a sentiment analysis study can capture a pattern of community perception on social media Twitter against the 2019 elections and it is expected that this research can help interested parties to increase voter participation rate in the next 5 years. This research method uses the Indonesian tweet data taken from 16 April 2018-16 April 2019, further data in preprocessing, text transformation, stemming Bahasa Indonesia, specifying attribute class, load dictonary and a classification of Naive Bayes using Weka. The conclusion of this study was the classification of Naive Bayes finding that the 2019 election tweet dataset had a negative perception pattern of 52% much greater than the positive perception of 18% and the neutral perception had a value of 31% higher than positive perception. Naive Bayes ' degree of classification accuracy against the training dataset is 81% and the dataset testing 76%, the average precision value for positive sentiment is 86.65%, negative sentiment is 77.15%, and neutral sentiment is worth 80.95% while the average recall rate on positive sentiment is 36.8%, negative sentiment is 93.2% and the neutral sentiment is 86.8%
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».