KLASIFIKASI PENDAPAT MENGENAI E-TILANG DI SOSIAL MEDIA MENGGUNAKAN METODE NAIVE BAYES DAN SELEKSI FITUR QUERY EXPANSION RANKING

Penerapan e-tilang efektif dalam menindak pelanggar peraturan lalu lintas, meskipun belum semua masyarakat Indonesia menguasai teknologi. Peraturan e-tilang menimbulkan opini positif dan negatif di masyarakat .Analisis sentimen digunakan untuk mengetahui pernyataan positif dan negatif di Twitter. Analisis sentimen dilakukan dengan menggunakan klasifikasi Multinomial Naive bayes. Metode klasifikasi yang sederhana, tetapi sensitif terhadap pemilihan fitur sehingga jumlah data ditentukan oleh hasil pemilihan seleksi fitur Query Expansion Ranking. Data di ambil dengan melakukan crawling data. Pada penelitian ini metode yang digunakan adalah Naive bayes dengan seleksi fitur Query Expansion Ranking untuk mengurangi jumlah fitur pada proses klasifikasi. Pengaruh seleksi fitur Query Expansion Ranking untuk metode naive bayes bertujuan untuk mengurangi dimensi fitur sehinga metode multinomial naive bayes bekerja secara efektif dan menghasilkan komputasi yang maksimal. Pada penelitian ini mencapai tingkat akurasi tertinggi sebesar 91.91% dengan menggunakan seluruh fitur yang tersedia atau 100% dalam proses seleksi fitur. Kecepatan atau waktu yang dibutuhkan oleh metode Naive Bayes dalam proses komputasi adalah 6,25x10^7nanodetik[ns].