Penerapan metode decision tree untuk analisis sentimen pada acara televisi Indonesia

Berkembangnya dunia pertelevisian di Indonesia ditandai dengan semakin banyaknya stasiun televisi yang mengudara baik yang bersifat nasional ataupun lokal. Semakin banyak stasiun televisi yang ada maka semakin banyak pula acara televisi yang ditayangkan. Dari sekian banyak program acara belum semuanya sama kualitasnya, perlu adanya suatu referensi untuk mengevaluasi kualitas suatu acara televisi. Salah satu caranya adalah melakukan analisis sentimen yaitu melihat pendapat pemirsanya yang ada di media sosial twitter. Fokus utama dari analisis sentimen adalah untuk mengklasifikasikan mana yang termasuk opini positif dan mana yang termasuk opini negatif. Metode klasifikasi yang digunakan adalah Metode Decision Tree. Dalam decision tree kata kunci yang digunakan berdsarkan atribut yang ditentukan. Berbeda dengan metode klasifikasi yang lain, pada decision tree dataset learning dari data twitter dibangun kembali ke dalam atribut masing-masing dan membentuk struktur pohon beserta rulenya. Analisis sentimen menggunakan menggunakan metode decision tree memberikan hasil yang baik. Terbukti dengan pengujian menggunakan confussion Matrix memperoleh akurasi ± 94%. Dibantu proses preprocessing dan struktur pohon yang sesuai membuat pengklasifikasian dengan Decision Tree menjadi lebih akurat.

The development of Indonesian television is marked by the increasing number of television station that airs both national and local. More and more television stations will make the television show even bigger. Of the many programs is not all the same quality, the need for a reference for evaluating the quality of a television show. One way is to perform sentiment analysis that viewers see opinion in social media twitter. The main focus of the analysis is to classify sentiment which includes a positive opinion and which includes a negative opinion. Classification method used is a Decision Tree Method. In the decision tree used keyword used defined attributes. In contrast to other classification methods, the decision tree learning dataset from the data twitter rebuilt into the attributes of each and forming a tree structure along rulenya. Using sentiment analysis using decision tree method gives good results. Proven by testing using the confusion matrix to obtain an accuracy of ± 94%. Assisted process preprocessing and building the right tree structure makes the Decision Tree classification becomes more accurate.