Analisis Sentimen Pada Media Sosial X (Twitter) Terhadap Tumor Jinak Payudara Menggunakan Metode Naïve Bayes
Article Sidebar
📅
Published:
Sep 20, 2024
Main Article Content
Abstract
Article Summary
Benign breast tumors are a medical condition that often raises concerns among the public. This research aims to analyze public sentiment towards benign breast tumors via social media Twitter (X) using the Naïve Bayes algorithm. Data was collected from tweets containing keywords related to benign breast tumors within a certain time period. After data pre-processing, including text cleaning and duplication removal, the data was then classified into positive and negative sentiments using the Naïve Bayes algorithm. This research provides insight into public perceptions of benign breast tumors on social media, and emphasizes the importance of more in-depth health education and disseminating accurate information about the condition. It is hoped that the results of this research can become a reference for health practitioners and policy makers in designing more effective health communication strategies.
Keywords
Article Keywords
Downloads
Download data is not yet available.
Article Details
How to Cite
Lestari, S. A., & Sugiyono. (2024). Analisis Sentimen Pada Media Sosial X (Twitter) Terhadap Tumor Jinak Payudara Menggunakan Metode Naïve Bayes. Jurnal Indonesia : Manajemen Informatika Dan Komunikasi, 5(3), 3336-3348. https://doi.org/10.35870/jimik.v5i3.1015
Section
Articles
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License (CC-BY 4.0) that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
License: All articles are licensed under 
References
Alita, D., & Isnain, A. R. (2020). Pendeteksian Sarkasme pada Proses Analisis Sentimen Menggunakan Random Forest Classifier. Jurnal Komputasi, 8(2), 50-58.
Azzahra, F. N., Rohana, T., Rahmat, R., & Juwita, A. R. (2024). Penerapan Metode Naive Bayes Dalam Klasifikasi Spam SMS Menggunakan Fitur Teks Untuk Mengatasi Ancaman Pada Pengguna. Journal of Information System Research (JOSH), 5(3), 873-880. DOI: https://doi.org/10.47065/josh.v5i3.5070.
Fikri, M. I., Sabrila, T. S., Azhar, Y., & Malang, U. M. (2020). Comparison of the Naïve Bayes Method and Support Vector Machine on Twitter Sentiment Analysis. SMATIKA J. STIKI Inform. J, 10(2), 71-76.
Gultom, F. L., Widyadhari, G., & Gogy, Y. N. (2021). Profil penderita dengan tumor payudara yang dibiopsi di rumah sakit siloam mrccc semanggi pada tahun 2017-2018. Jurnal Kedokteran Universitas Palangka Raya, 9(2), 1342-1346.
Madjid, O. A., Surya, R., Tantry, H. P., & Ocviyanti, D. (2022). Kontrasepsi Hormonal Berbasis Progestin pada Perempuan dengan Riwayat Tumor Jinak Payudara. EJournal Kedokteran Indonesia, 162-7. DOI: https://doi.org/10.23886/ejki.10.96.162-7.
Nanda, R., Dari, S. W., & Ihsan, A. (2019). Segmentasi Citra Medis untuk Deteksi Objek FAM pada Payudara Menggunakan Metode Sobel. Jurnal Media Informatika Budidarma, 3(4), 248-253. DOI: http://dx.doi.org/10.30865/mib.v3i4.1232.
Pamungkas, F. S., & Kharisudin, I. (2021, February). Analisis Sentimen dengan SVM, NAIVE BAYES dan KNN untuk Studi Tanggapan Masyarakat Indonesia Terhadap Pandemi Covid-19 pada Media Sosial Twitter. In PRISMA, Prosiding Seminar Nasional Matematika (Vol. 4, pp. 628-634).
Prabowo, W. A., & Wiguna, C. (2021). Sistem informasi UMKM bengkel berbasis web menggunakan metode scrum. Jurnal Media Informatika Budidarma, 5(1), 149-156. DOI: http://dx.doi.org/10.30865/mib.v5i1.2604.
Prasetyo, S. D., Hilabi, S. S., & Nurapriani, F. (2023). Analisis Sentimen Relokasi Ibukota Nusantara Menggunakan Algoritma Naïve Bayes dan KNN. Jurnal KomtekInfo, 1-7. DOI: https://doi.org/10.35134/komtekinfo.v10i1.330.
Pratama, A. Y., & Voutama, A. (2021). Analisis Sentimen Media Sosial Twitter Dengan Algoritma K-Nearest Neighbor Dan Seleksi Fitur Chi-Square (Kasus Omnibus Law Cipta Kerja). J-SAKTI (Jurnal Sains Komputer dan Informatika), 5(2), 897-910. DOI: http://dx.doi.org/10.30645/j-sakti.v5i2.386.
Safira, A., & Hasan, F. N. (2023). Analisis Sentimen Masyarakat Terhadap Paylater Menggunakan Metode Naive Bayes Classifier. ZONAsi: Jurnal Sistem Informasi, 5(1), 59-70. DOI: https://doi.org/10.31849/zn.v5i1.12856.
Salim, S. S., & Mayary, J. (2020). Analisis Sentimen pengguna Twitter terhadap dompet elektronik dengan metode lexicon based dan k–nearest neighbor. Jurnal Ilmiah Informatika Komputer, 25(1), 1-17. DOI: http://dx.doi.org/10.35760/ik.2020.v25i1.2411.
Sari, P. K., & Suryono, R. R. (2024). Komparasi Algoritma Support Vector Machine Dan Random Forest Untuk Analisis Sentimen Metaverse. Jurnal Mnemonic, 7(1), 31-39. DOI: https://doi.org/10.36040/mnemonic.v7i1.8977.
Septian, J. A., Fachrudin, T. M., & Nugroho, A. (2019). Analisis Sentimen Pengguna Twitter Terhadap Polemik Persepakbolaan Indonesia Menggunakan Pembobotan TF-IDF dan K-Nearest Neighbor. INSYST: Journal of Intelligent System and Computation, 1(1), 43-49. DOI: https://doi.org/10.52985/insyst.v1i1.36.
Syarifuddinn, M. (2020). Analisis Sentimen Opini Publik Mengenai Covid-19 Pada Twitter Menggunakan Metode Naïve Bayes Dan Knn. Inti Nusa Mandiri, 15(1), 23-28. DOI: https://doi.org/10.33480/inti.v15i1.1347.
Utami, N. W., & Artana, M. (2022). Text Mining Dalam Analisis Sentimen Pembelajaran Daring Di Masa Pandemi Covid 19 Menggunakan Algoritma K-Nearest Neighbor. Jurnal Informatika Teknologi dan Sains (Jinteks), 4(2), 140-148. DOI: https://doi.org/10.51401/jinteks.v4i2.2034.
Azzahra, F. N., Rohana, T., Rahmat, R., & Juwita, A. R. (2024). Penerapan Metode Naive Bayes Dalam Klasifikasi Spam SMS Menggunakan Fitur Teks Untuk Mengatasi Ancaman Pada Pengguna. Journal of Information System Research (JOSH), 5(3), 873-880. DOI: https://doi.org/10.47065/josh.v5i3.5070.
Fikri, M. I., Sabrila, T. S., Azhar, Y., & Malang, U. M. (2020). Comparison of the Naïve Bayes Method and Support Vector Machine on Twitter Sentiment Analysis. SMATIKA J. STIKI Inform. J, 10(2), 71-76.
Gultom, F. L., Widyadhari, G., & Gogy, Y. N. (2021). Profil penderita dengan tumor payudara yang dibiopsi di rumah sakit siloam mrccc semanggi pada tahun 2017-2018. Jurnal Kedokteran Universitas Palangka Raya, 9(2), 1342-1346.
Madjid, O. A., Surya, R., Tantry, H. P., & Ocviyanti, D. (2022). Kontrasepsi Hormonal Berbasis Progestin pada Perempuan dengan Riwayat Tumor Jinak Payudara. EJournal Kedokteran Indonesia, 162-7. DOI: https://doi.org/10.23886/ejki.10.96.162-7.
Nanda, R., Dari, S. W., & Ihsan, A. (2019). Segmentasi Citra Medis untuk Deteksi Objek FAM pada Payudara Menggunakan Metode Sobel. Jurnal Media Informatika Budidarma, 3(4), 248-253. DOI: http://dx.doi.org/10.30865/mib.v3i4.1232.
Pamungkas, F. S., & Kharisudin, I. (2021, February). Analisis Sentimen dengan SVM, NAIVE BAYES dan KNN untuk Studi Tanggapan Masyarakat Indonesia Terhadap Pandemi Covid-19 pada Media Sosial Twitter. In PRISMA, Prosiding Seminar Nasional Matematika (Vol. 4, pp. 628-634).
Prabowo, W. A., & Wiguna, C. (2021). Sistem informasi UMKM bengkel berbasis web menggunakan metode scrum. Jurnal Media Informatika Budidarma, 5(1), 149-156. DOI: http://dx.doi.org/10.30865/mib.v5i1.2604.
Prasetyo, S. D., Hilabi, S. S., & Nurapriani, F. (2023). Analisis Sentimen Relokasi Ibukota Nusantara Menggunakan Algoritma Naïve Bayes dan KNN. Jurnal KomtekInfo, 1-7. DOI: https://doi.org/10.35134/komtekinfo.v10i1.330.
Pratama, A. Y., & Voutama, A. (2021). Analisis Sentimen Media Sosial Twitter Dengan Algoritma K-Nearest Neighbor Dan Seleksi Fitur Chi-Square (Kasus Omnibus Law Cipta Kerja). J-SAKTI (Jurnal Sains Komputer dan Informatika), 5(2), 897-910. DOI: http://dx.doi.org/10.30645/j-sakti.v5i2.386.
Safira, A., & Hasan, F. N. (2023). Analisis Sentimen Masyarakat Terhadap Paylater Menggunakan Metode Naive Bayes Classifier. ZONAsi: Jurnal Sistem Informasi, 5(1), 59-70. DOI: https://doi.org/10.31849/zn.v5i1.12856.
Salim, S. S., & Mayary, J. (2020). Analisis Sentimen pengguna Twitter terhadap dompet elektronik dengan metode lexicon based dan k–nearest neighbor. Jurnal Ilmiah Informatika Komputer, 25(1), 1-17. DOI: http://dx.doi.org/10.35760/ik.2020.v25i1.2411.
Sari, P. K., & Suryono, R. R. (2024). Komparasi Algoritma Support Vector Machine Dan Random Forest Untuk Analisis Sentimen Metaverse. Jurnal Mnemonic, 7(1), 31-39. DOI: https://doi.org/10.36040/mnemonic.v7i1.8977.
Septian, J. A., Fachrudin, T. M., & Nugroho, A. (2019). Analisis Sentimen Pengguna Twitter Terhadap Polemik Persepakbolaan Indonesia Menggunakan Pembobotan TF-IDF dan K-Nearest Neighbor. INSYST: Journal of Intelligent System and Computation, 1(1), 43-49. DOI: https://doi.org/10.52985/insyst.v1i1.36.
Syarifuddinn, M. (2020). Analisis Sentimen Opini Publik Mengenai Covid-19 Pada Twitter Menggunakan Metode Naïve Bayes Dan Knn. Inti Nusa Mandiri, 15(1), 23-28. DOI: https://doi.org/10.33480/inti.v15i1.1347.
Utami, N. W., & Artana, M. (2022). Text Mining Dalam Analisis Sentimen Pembelajaran Daring Di Masa Pandemi Covid 19 Menggunakan Algoritma K-Nearest Neighbor. Jurnal Informatika Teknologi dan Sains (Jinteks), 4(2), 140-148. DOI: https://doi.org/10.51401/jinteks.v4i2.2034.