Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l. 8 ,  No. 6 ,  D ece m ber   201 8 , pp.  5153 ~ 51 61   IS S N:  20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v 8 i 6 . pp 5153 - 51 61     5153       Journ al h om e page :  http: // ia es core .c om/ journa ls /i ndex. ph p/IJECE   Analysis   o f  Mobi le Ser vice Provid ers P er f or m ance   U sing  Naive  Bayes D ata Mini ng Tech niq ue       M.   A. Burh anuddin 1 ,  R on iz am  Is mail 2 ,  N urul Iz z aimah 3 ,  Ali  Ab dul - Jabb ar M oham med 4 ,    No rz aim ah   Z aino l 5   1,   3,   4 Facul t y   of  I nform at ion  and   Com m unic at ion Te chno log y ,   Uni ver siti   Te kn ika l   Malay s ia Mel ak a,   Ma lay si a   2 ,   5 Facul t y   of  Sci enc e   and   T ec hno log y ,   Kol ej   Univ ersit i   Islam Mela ka,   Ma lay si a       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   Ma r   11 , 201 8   Re vised  Ju l   4 ,   201 8   Accepte d  J ul  14 , 2 01 8       Rec en tly ,   th e  m obil e  servic e   provide rs  have   bee n  growin g  rap idly   in   Malay s ia.  I n  t his  pape r,   we   propose  ana l yti c al   m et hod  t o  find  best   te l ec om m unic at i on  provide r  b y   visua li z ing  the ir  p erf orm anc e  among   te l ec om m unic at i on  servic e  provi der s   in  Malay si a,   i.e.   TM  Berh ad,   Celcom ,   Maxis,   U - Mobile ,   etc.   Th is  paperus es   dat a  m ini ng  te chni qu e   to   e val ua te   the  per form anc eof   t el e comm unic at i on   servic e  p rov ide rs  using  thei r  customers   fee dba ck  from   Twit te r  Inc .   It  d e m onstrat es  on  how  the   s y stem  c ould  proc ess  and  the n  in te rpr et   the   b ig  data  in to  a  sim ple   gra p h  or   visual izati o n   form at .   In   addi ti on ,   buil d   a  computer i ze d   tool   and  rec o m m end  dat a  ana l y tic  m ode l   base d  on  the   co llected  result.  From   pre pping  the   dat a  for  pr e - proc essing  unti l   conduc t ing  anal y sis,  th is  project   is  foc using  on  the   proc ess  of  dat a  sc ie nc e   it self  wh ere   Cro ss   Industr y   Stan dar d  Proce ss   for   Data  Mining  ( CRIS P - D M)   m et hodolog y   wi ll   be  used  as  a  ref ere n ce.  Th e   ana l y sis  was   deve lope d  b y   using R  la nguag e  and  R  Studio  pac kag es.   From   the   result ,   i t  show s tha t  Te lc o   4  is  the   b est  as   it   re ceive d  hig hest  positi v e  sc ore s  from   the   t wee t  da ta.  In   cont rast ,   T el co   3  should  improve  their  per form a nce   as  h avi ng  l e ss   positi ve  fee dba ck  from   t hei r  customers  v ia   twe et   da ta.  T his  proje c t  bring   insight s  of  ho w  the   t el e co m m unic at ion  in dustrie s  c an  an aly z e  twe et   d ata  from   the i r   customers.  Mal a y si a  te l ec om m unic a ti on   indust r y   will  get  th e   bene f it  b y   improving  the ir  customer  sati sfa ct ion  and  busin ess  growth.   Beside s,  i t  wil l   give   th e  awa ren ess  to  the  t el e co m m unic at ion  user  of  upd at ed   re vie w  from   othe r  users .   Ke yw or d:   B ig d at a   D at a m ining   D at a scie nce   M ob il e se rv ic e s   Naive Bay es   al gorithm   T el ecom m un icati on  se rv ic es   Copyright   ©   201 8 Instit ute of   Ad v ance d  Engi ne eri ng  and  Sc ie n ce .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   Ali A bdul - Ja bbar  Mo ham m e d ,    Faculty  of In form ation  a nd C omm un ic at ion   Tech no l og y,  Unive rsiti   Tek nik al  Mal ay sia  Mel aka ,   Un i ver sit i   Te knikal M al ay sia  Mel aka ,   Hang T ua h  Jay a, 76 100 D ur ia n  T unggal , Me la ka,  Mal ay sia .   Em a il :  p0 3161 0009@st ud e nt. utem .ed u. m y       1.   INTROD U CTION   The  m ai n   reg ul at or   an d  gove rnor   of   te le co m m un ic at ion s   and   it s  ru le s   in   Ma la ysi a   is  the  Ma la ysi an   Com m un ic at io ns   a nd  Mult i m edia  Com m i ssion  [ 1],  [2 ] .   Re gula tory  r eform s  and   re hab il it at ion   a r e  ve ry  i m po rtant  as pe ct s in  creati ng  com petit ion   eff ect ive ness   a m on g   the   industry  of   te le co m m un ic at ion s.   Corresp ondi ngly ,  the  Ma la ysi an  te le com m u nicat ion s   in du stry  has   been  excep ti onal   gr ow t h  i n  recent   ye ars  [ 3] .  T her e fore,   this  le ads  to  pro duce  a  huge  and   div e rse  da ta   set s  i.e.,  big  data,  w hich  is   need   a naly ti cs  an d  inv est igati on  to  disco ve r  hi dd e n  co rr el at ion s ,  cust om er  pr efe re nces,  m ark et   trends,   and   f ur t her   va luable   inf or m at ion   th at   m ay   help  organ iz at io n s  m ake  bette r  business  decisi ons.   Pr oble m   arises,  with  t he  gro wing   fiel d  of  bi g  data,  util iz at i on  of  str uctu red   an d  unstr uctu red   data  le ads  to  worthy  inform at io n  f or   te le com m un ic a ti on s  in dustry  in  Ma la ysi a  to  gro w  e xpone ntial ly   [4] .  Co ns e qu e ntly ,  issues  on  util iz at ion  of   s tructu re d  an d  un st ru ct ur e d  da ta   requires  c riti cal   and   analy ti cal   m e tho ds   t o  ove rco m e  the  needs  of  in dustry  Evaluation Warning : The document was created with Spire.PDF for Python.
      IS S N : 2088 - 87 08   In t J  Elec   &  C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber   201 8   :   5153   -   5161   5154   grow t h   [5 ] ,  [ 6] .  Th ere  a re  m any  chall en ges   to  be   face d  for   fin ding  ou t  t he   best  te le com m un ic at ion   ser vice   pro vid er  si nce   nowaday s  the re  are  to o  m a ny  ch oices  of   m ob il e  co m mu nicat io n  ser vi ces  with  a  dif fer e nt  serv ic e  rates a nd spee ds  [ 7] .   T he  c ontrib ution o f  t his stu dy  is to  giv e  a  s olu ti on  for   e va luat ing   t he per f or m ance of  te le com m un ic a ti on  se rv ic e  pr ov i der s   in the   Ma la ysi an  te le com m un ic at ion s i ndus try ,  thi s is b y :     An al yz in g   hu ge   and   div e rse   data  giv i ng   by   the  te le co m m un ic at ion   ser vice  us e rs  us i ng   t heir  twit te r  accounts   daily .     Ra nk i ng   the   pe rfor m ance   of  the   te le com m u nicat ion   ser vic e  pro vid e rs   i n  Ma la ysi a   based   on  the  t weet s  data of t heir  use rs .       2.   RESEA R CH   METHO D   Fr om   pr e ppin g  da ta   f or   pre - proce ssin g  unti l  cond uctin g  a naly sis,  th e  sco pe  of   t hi s  pro j ect   is   fo c us in g  on  th e  process   of  da ta   sci ence  it sel f.   T he  m et ho d   use d  i n  this   stud y,  is  base d  on  Cr os s  Ind us try   Stand a r d  Proce ss  for  Data  Mi ning  (CRI SP - DM)  [ 8] ,  as  th is  m od el   is  we ll - known  i n  th e  data  m ining   process   [9] – [ 11 ] .  T he   com plete   pr oc ess  diag ram   of   CR ISP - DM   is  giv en  in  t he  Fig ur e  1  a nd   fo ll owe d  by   th e   descr i ption f or  each  process  in cl ud e d  in  the   m od el .           Figure  1 .   Cr os s - I ndus try - Stan dard - Process  for Data - Mi ning  (CRISP - DM )  m od el   [8]       Fr om   Figure  1 ,  the  business  unde rstan ding  proces s  f ocu se s  on   t he  pur pose s  and   requirem ents  of  the   pro j ect ,  w hich  com pr ise s  unde rstan ding  the  bu si ness  obj ect ives,  s uccess  c rite ria,  pro j ect   plan,   a nd  deliv eries   [12] – [14] .  T he   data  unde rsta nd i ng  pr ocess  sta rts  with   an   init ia l - data - c ollec ti on   a nd  m a nag e   to   procee d  wit h  the  data  descr i ption  an d  data  ex plo rati on.   The  data  prep ara ti on   proces s  inclu des  data  cl eanin g,   sa m pl in g,   norm al iz a ti on ,   and   featu re  s el ect ion .  T he  m od el ing   proc ess  inclu des  s el ect   m od el ing  te chn i qu es ,  buil ding ,   and   trai ning  the  m od el ,  in  ad diti on   to  m ake  pr e dicti on.  The   evaluati on   pro cess  includes  t he  m od el   valid at ion ,   rev ie w  the  re su lt s,  an d  suc cess  crit eria  evaluati on.  Finall y,  the  de plo ym ent  pr ocess  inclu de s  resu lt   visu al iz at ion,  and  the   re por t  creati on.  T her e fore,   the   m et ho d  that  su it s  ou r  se nt i m ent  analy sis  f or  te le com m un ic a ti on   business  operati on is  de fined  in t he wor kf l ow that  giv e n  in  Fig ure  2.     Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec & C om p  Eng   IS S N:  20 88 - 8708     An alysis  o f M obil e   Service  Pr oviders  Perfo r mance  U si ng  Naive  Ba y es  D ata   Mi ning  …   ( Ali  Ab dul - J . M . )   5155       Figure  2 .   Se ntim ent A naly sis  Flow       The  c om pu te r   pro gram   in  this  pro j ect   is   w ritt en  us in g  R  Stu di o  a nd  R  la ngua ge   w hich   is  a  pro gr am m ing   la ngua ge  f or   st at ist ic al   co m p uting   a nd  grap hics.  Wh il e  th e  data  that  will   be  us e d  duri ng   t he   te st,  gathe red   f ro m   the  Twitt er  A ppli cat ion   Plat fo rm   In te r ph a se  ( API).   F or   t he  us e r  tha t  wan t  to  acce ss  the   data  from   Twitt er  API  nee d  to   hav e  t he  Twitt er  acco unt.  H oweve r,   th e  first   ste p  be fore  be ginnin g  the  c ode,  R   stud i o  needs  a n  API  key  to   s ynch ronize  it   with  t he  T witt er  AP I .  Af te r  t he  sy nchr on iz e   su cce ss,   the  da ta   can   be  ga t her e d  f re el y  fr om   the  Twitt er  API,  bu t   the  R  stud i o  c an  acce ss  on ly   the  data  wit hin   se ven   days  be fore   the r e quest  d at e.   Fo r  t he  bi g  dat a  analy sis,  Naï ve  Ba ye s  te chni qu e  is  de plo ye d   in  this  pro j ec t  to  ob ta in  t he  resu lt   f ro m   big   datat o   pro du ce  the  m os t  accu rate  res ult.   The  Naïve  Ba ye s  cl assifi er  i s  a  su pervise d  le arn in g  an d  one  of  the  sim ple  pr ob a bili sti c  cl assifi er  te ch niques  in   the  Ma chine  Lea r ning  c ourse  with  str ong  ( naive )   ind e pende nce  assum ption s  be tween  the  fea tures  [ 15 ] – [ 17 ] .  The  Fig ur e  3  is  sh ow in g  th e  pr oce sses  flo wch a r t   of N aï ve  Ba ye s Tech nique.             Figure  3 .   Naï ve  Bay es Tech ni qu e  Flo wch a rt       The  trai n  cl ass ifie r  can  be  use d  f or   trai ni ng  the  data  to  cal culat e  Ba ye s - optim al   esti m ates  and   m ake  pr e dicti on s   of  the  m od el   pa r a m et ers  [18] – [ 20 ] .  The   pr oce ss  flo wc har t  of  the   trai n  cl as sifie r  that  a ppli ed  in   this p roject is  gi ven  i n  Fi gure  4.     Data  Co llectin g Featu re  /  attribu te  Selection Pre - p rocess in g Tr ain in g   Data Clas sif icatio n Data  Visu alizatio n Start   Tra in   Cla ss ifier   Te st C la ss ifi er   Get  Sent iment   Exi t   Evaluation Warning : The document was created with Spire.PDF for Python.
      IS S N : 2088 - 87 08   In t J  Elec   &  C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber   201 8   :   5153   -   5161   5156       Figure  4 .   Trai n C la ssifie r       The  Fig ure  5  sh ows  how  N aï ve  Ba ye s  work s  in  t he  te st  set   cl assifi er  for  sentim ent  data.  This  is   appr opriat el y  represe ntati ve  intende d  f or  the  unde rly ing   recog niti on   pro blem ,  t hat  le ads  to  worth y   inf or m at ion  for t el ecom m un icati on s i ndus try  in  Ma la ysi a to  grow e xpone nt ia lly.             Figure  5 .   Test   Cl assifi er to   G et  Sen ti m ent R esult     Remove  Punctuations     Ta ke   the proba b i li t y   Is i t in  t rai n   da ta?   Add pri ority   pro babi lit y   to  th ese   proba bil i ties   Cal culat e  prob ab il ities  using Na ïve Bayes  Algorit hm   Add t he  pro babil ity   for   a ll   the words in  th e  d at a   Yes   No   Input  T est  Da ta       Is t he  posi ti ve   proba bil i t y   h igh er ?   Print  Pos it ive   Print  Nega ti ve   Dum p  int o  pic kl e  fi le   Dum p  int o  pic kl e  fi le   Start   Remove  Punctuations     The   la be l    is  n egative   Cal culat e  th e  proba bil i ties   Cal culat e  th e  proba bil i ties   Yes   No   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec & C om p  Eng   IS S N:  20 88 - 8708     An alysis  o f M obil e   Service  Pr oviders  Perfo r mance  U si ng  Naive  Ba y es  D ata   Mi ning  …   ( Ali  Ab dul - J . M . )   5157   The  fig ur es  a bove   sho w  the  m et ho dolo gy  of  ho w  to  get  th e  res ults  from   our  a naly sis.  Con s eq ue ntly ,   the  f ollo wing  i s  a  bri ef  e xpla nation  inclu di ng  ste p  by  ste p  of   how   Naï ve  Ba ye s  te chn iq ue  work.  T his  can  be   detai le d  as:       Step  1: d et e rm i ning the  test  se t i n  o ur  dataset  as the  foll ow i ng i n  Ta ble  1.   Table  1 .   T est  S et   DOC   TE X T   CLASS   1   I  lo v ed  the servi ce   +   2   I  h ated  the servi c e   -   3   A great se rvice,  go o d  service   +   4   Po o r  serv ice,  Po o r  co n n ectio n   -   5   A go o d  service,  g r eat con n ectio n   +       So ,  a total   of 10  un i qu e  wo rds eg. I , love d,  t he,   ser vice, a,   gr eat ,  h at e d,   good,  con necti on, p oor.      Step  2: con ver t ing  t he data  int o  a  fr e quency t able,  wh ic h  is  giv e n  in  Ta ble  2  as  foll ows:       Table  2 .   Fr e quency Ta ble   DOC   1   2   3   4   5   I   1   1         lo v ed   1           th e   1   1         serv ice   1   1   2   1   1   h ated     1         a       1     1   g reat       1     1   poor         1     co n n ectio n         1   1   good       1     1   Clas s   +   -   +   -   +       Nex t,  lo ok at t he pr obabili ti es p e r ou tc om e  (+  or   - )     Step  3: Com pute  the prio rity     P ( + )  = t otal o f   + cl ass     P ( - )  =  total   of   -   cl ass     Step  4: Com pute  the con diti onal  pr ob a bili ty  / p ossi bili ty  o f e ach att rib ute   P( I|+);  p(l oved| +); P( t he|+); P ( serv ic e |+ );  P( a| +); P(g reat| +); P( go od |+ ); P( c onnecti on  |+ );  P( w k. |+ )  =   nk :  num ber  of  tim es w ord k  oc cur s  in  t hese   c ases (+ )   n: num ber   of   w ords  i n (+)  ca s e  - >  14    vo ca bula ry:  tot al  u ni qu e  wo rds whil e test ing ,  for   unkn own word s  we use  nk =  0  a nd f i nd it s p r obabili ty  b ei ng  bo t h posi ti ve  a nd n e gative.       3.   DA T A   ANAL YS IS   In   t his  stu dy,  we  are  us i ng   a   real  data  e xtr act ed  f ro m   Twitt er  API,  a  web sit e  us es  t o  acce ss  c or e   Twitt er  data .  C on s eq ue ntly ,  w e  save  t he  data into  .c sv  f il e  f orm at   as  giv en  i n  Fi gure 6 . N e xt,  dataset   is  lo ad ed   in R stu dio   f or  furthe r   a naly ses.         Evaluation Warning : The document was created with Spire.PDF for Python.
      IS S N : 2088 - 87 08   In t J  Elec   &  C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber   201 8   :   5153   -   5161   5158       Figur e  6 .   Data  in . cs v form at       The  dataset   ob ta ined  from   th e  Twitt er  AP I  in  our  pro j ect   is  con sist   of  5  f il es  of   data  accor ding  to  5  diff e re nt m ob il e comm un ic at i on servic es  pro vid e rs,  a nd the se d at a  file s , inc lud es :   1.   Ce lc om  Tw eet  D at a   2.   Ma xis T weet  Data    3.   Digi T weet  Da ta   4.   U - M ob il e T we et  D at a    5.   Tu netal k  T wee t Data   All data  file s c on ta in  the  sam e d at a att rib ute s,  these   at trib utes are give n  i n Fi gure  7 .           Figure  7 .   Data  at tribu te s       Ba sed  on  the  obta ined  dataset   and   data  at tribu te s ,  not  al l  the  data  hav e  be en  ap plied  in  t he  analy sis,   on ly   te xt  at tri bu te   will   be  s el ect ed  an d  will   be  us e d  for  m od el li ng   pur po s es.  T he  pu rpose  of  the  s el ect ed   at tribu te s is t o see  the  weig ht age  of the  posit ive,  neg at i ve  a nd n e utral  w ord.   Fo r   the  res ult  of   s entim ent  analy sis,  al l  the   tweet   te xts  ha ve  been   scan ne d,   a nd  the  sc or e  has  bee n  giv e n.   The   sc ore  is  base d  on  their  po sit ivit y  an d  ne gativit y  w ords,  w hich   are  based  on  the  posit ive  file   an d  neg at ive  f il e.  T he  Fi gure  8  is  s howing t he  tw eet s   an d  it s g i ve n  sc or e s.   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec & C om p  Eng   IS S N:  20 88 - 8708     An alysis  o f M obil e   Service  Pr oviders  Perfo r mance  U si ng  Naive  Ba y es  D ata   Mi ning  …   ( Ali  Ab dul - J . M . )   5159           Figure  8 .   Twee ts t hat alrea dy  hav e  sc or e       These  sc or es  a nd   resu lt s  can  be  us e d  to  im pro ve  the  cust om er  exp erie nc e  and   bu si nes s  grow t h  by   disco ver i ng  un known  c orrelat ion s ,  hi dd e n  pa tt ern s,  c us tom er  prefe rence s,  m ark et   tren ds ,  and   f ur the r  valuab le   inf or m at ion   th at   m ay   help  organ iz at io ns   m ake  bette r  bu si ne ss  decisi on s .   The  te c hn i qu e   that  de plo ye d  i n  this  pro j ect   is  the   Naïve  Ba ye s ,  wh ic h  a ble  to   pro vid e  st ron g  ind e pe ndence   assum ption s   betwee n  t he  fe at ur es  relat ed  t o  the   s entim ent  analy sis.  F ur t her m or e,  it   giv es   the   rob us t  s olu ti on   am on g  te le c om m un ic at ion   s erv ic e   pro vid e r s  [ 10] .       4.   FIN DINGS  A ND R ES ULT S    Af te r  t he  sc or e   had  gi ven,  the   resu lt s g ra ph  is  plo t ba se d  on   their  ne gativit y  and  posit ivit y  po la rity   as   sh ow n  in  Fi gur e 9   belo w.            Figure  9 .   P olar it y of  the  tweet s     Evaluation Warning : The document was created with Spire.PDF for Python.
      IS S N : 2088 - 87 08   In t J  Elec   &  C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber   201 8   :   5153   -   5161   5160   Af te r   the   gra ph  done   pl otti ng ,  al l  t hese  res ults  are   tra ns fe rr e d  t o  R  Sh i ny   wh ic h  is   us e d  to   visu al iz e   the  res ult  in  m or e  pro per   a nd  creati ve  way.  R  Sh iny  ha d  be en  ch os e n  as  it s  easy   interphase  to  unde rsta nd   a nd   us e  eve n  f or  the   ve ry  first - ti m e  us er.   Ba se d   on  the  Fi gur e  10   belo w,   w e  can  see  that  there  are  dif fe ren t  5  boxes  with  dif f eren t  col or   a nd  value.   T he  val ue  sta te d  in  the   box  is  the  am ount  of  ra w   da ta   gather e d  f rom   the  Twitt er  API  th at   we  are  deali ng   with  f or   thi s  proj ect .  Ba se d  on  pola rity   scor es ,  te le com m un ic at ion   ser vice   pro vid er s r a nk ed  as  Telc o 1,  Tel co 2,  T el co 3, Te lc o 4  a nd  Tel co 5.           Figure  10 .   O ve rv ie w of   data       Fr om   Figure  10,  highest  twe et   fr e qu e ncy  c om e  fr om   Telco   1,   wh ic h  is   5000.  Lo west   is  Tel co  4,  wh ic h  is  540.  It  m igh t  be  T el co  1  hav i ng   highest  num ber   of  cust om ers  in  Ma la ysi a.  The  ov e rall   m odule   create d  to  m ake  a  c om par ison   betwee n  al l   the  te le com mu nicat io n  se rv i ce  pro vid e rs  in  Ma la ysi a  ba sed  on  their  posit ive  po la rity   and   ne gative  pola rity .  The  com par iso n  is  plo tt ed  in  a  pie  char t  and   eac h  of   th e   te le com m un ic a ti on   ser vice  prov i der s ’  weig ht age  are  sta te d  in  a  per centa ge   value  as  sh own  in  a  Fig ur e   11   as   fo ll ows.           Figure  11 .   Sum m arization   ba sed o n  P os it iv it y po la rity       Ba sed  on  the  resu lt   showe d  in  Figure  11,  the  te le co m m u nicat ion   com pan y,  Tel co  4  is  the  best,   wh ic h  getti ng  92%  posit ive  twit te r  com m en ts  fr om   their  custom ers.   Lo w est   scor e  is  Te lc o  3,   w hich  is   on l y   62%  sco re  on   po sit ive  c omm ents.  By   loo king  at   this  graph,  te le com   s erv ic e  pr ov i de rs  can  e valuat e  their  perform ance easil y fr om  their c us tom ers’  t weet data.     Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec & C om p  Eng   IS S N:  20 88 - 8708     An alysis  o f M obil e   Service  Pr oviders  Perfo r mance  U si ng  Naive  Ba y es  D ata   Mi ning  …   ( Ali  Ab dul - J . M . )   5161   5.   CONCL US I O N   This  pap e r  s hows   on  how  to  analy ze  a nd  vi su al iz e  tw eet   data,  wh e r e  inf or m at ion   eff ect ively   delivere d,   es pe ci al ly   towar ds   an  in div id ual  with  no  bac kg r ound  in  a naly ti cs  or   relat ed  s ubj ect .  With  t he   rig ht   visu al iz at ion  a nd  gra ph ic s   on   tim e,  we  ca n  i m pr ove  e nd  use r  unde rstan di ng   an d  at   t he  sam e  t i m e  create s  a  data  interact io n  betwee n  the  us ers   an d  t he  inf or m at ion   it sel f.   Ba sed   on  th e  pro j ect   res ult,  the   se rv ic e  pr ov i de r   com pan ie s  can   see  the   grap hs  an d  th ei r  se r vice  pe rfo rm a nce   from   twit t ers .  Th us ,   it   w il l  be  able  to   use   this   pro j ect   as  a  ref ere nce  to   com pete  wit h  the  ot her   te le com m un ic a ti on   ser vice  pro vid er s.  H oweve r ,   i m pr ovem ent  i s  def init el y  need ed  in   e ver y  syst e m   that  is  dev el op e d.   T hi s  is  to  ensu re  a  gr a du al   incre ase  in  us er  sati sfacti on a nd conti nue s im pr ov em ent of the  syst em .       ACKN OWLE DGE MENTS   The  a uthors  w ou l d  li ke  to  th ank   t he  U niv e r sit i   Tekn ikal  Ma la ysi a  Me lak a ,  UTeM  Za m al ah   S chem e   for   prov i ding   the  facil it ie s  to  c onduct   this   researc h  pro je ct   and  K olej  U niv er sit i  Isla m   Me la ka  for  the   fina ncial  sup port in  t his pr oj ec t.       REFERE NCE S   [1]   S.  Ja y asingh  an d  U.  Ez e,   “ An  empiric a l  anal y s is  of  consum er  beha vior al   inten ti on  to ward  m obil e  coupons  in   Ma lay s ia ” ,   Int .   J .   Bus .   … ,   vol. 4,  no.   2 ,   pp .   221 – 2 42,   2009 .   [2]   “ Suruhanjay a  K om unika si da n  Multi m edi a   Mal a y si a  (MCM C)” ,   2017.   [3]   “ Axiat a  Annua l Report ” ,   Ax ia ta ,   2016.   [4]   N.  Ks het ri,   “ The  emergi ng  role   of  Big  Data   in  ke y   dev el opm ent   i ss ues:  Opportun it ie s,  ch al l enge s,   and  conc ern s ” ,   Bi g  Data   Soc . ,   v ol.   1 ,   no .   2 ,   p .   20 53951714564227,   2014 .   [5]   N.  Patil,  P.   Kira n,   N.  Kir an,  N.  K . ,   “ A  Surve y   o n  Graph  Dat aba s e  Mana g ement  Te chn ique s  for  Huge  Uns truc tur ed   Data ” ,   In te rnati onal  Journal   of   El e ct rica l  and   C omputer  Engi n e ering  ( IJE CE ) ,   Vol .   8   No.  2   pp .   1140 - 1149,   201 8 .   [6]   S.  Borodo,   S.  Sham suddin,   S.  H .   “ Bi g  dat a  pl at form s  and  te c hnique s ” ,   TEL K OMNIKA  Indone sian  Journal  of  El e ct rica l  Eng in ee ring a nd   Computer  Sc ie nc e,   V ol.   1(1) ,   pp .   191 - 200,   2016 .   [7]   P.S.H.  Leefl ang,  P.C.   Verho ef,  P.  Dahlstr ?? m ,   an d  T.  Freundt,  “ Chal l enge s  and   soluti ons  for  m ark et ing  in  a   digita l   era ” ,   Eur.   Mana g.   J . ,   vol .   32 ,   no .   1,   pp.   1 – 12,   201 4.   [8]   R.   W irt h  and  J.  Hipp,   “ CRIS P - DM  :  Towa rds  a  Standa rd  Proce ss   Model  for  Da ta   Mining” ,   App l.   Knowl.   Disco v.  Data  Min. ,   no .   2 4959,   pp .   29 – 39 ,   2000.   [9]   M.  Spruit,   R.   Vroon,  and  R.   Bat enbur g ,   “ Towa rds  hea lt h care  business  int el li g ence  in  lo ng - te rm   ca re :  An  expl ora ti ve   c ase   stud y   in the   Net her la nds” ,   Comp ut.   Hum an  Be ha v. ,   vol .   30 ,   pp .   6 98 – 707,   2014 .   [10]   M.N.M.   Ibra h i m   and  M.Z . M.   Yus off,   “ Twit t er  senti m en t  c l assific a ti on  usin g  Naive   B a y es   base d  on  tra in er  per ce p ti on ” ,   in  2015  IEE E  Con f ere nce   on   e - Lea rning,  e - Manag e ment  and  e - S erv ic es,   IC3 e  2015 ,   2016,   pp.   187 – 189.   [11]   P.  Kalgot ra  and   R.   Sharda ,   “ Progress ion  ana l ysis  of  signal s:  Ext endi ng  CRI SP - DM  to  stream   ana l y tics ” ,   i n   Proce ed ings  -   2 016  IEEE  In te rn ati onal  Con fe ren ce   on   B ig  Data ,   Bi g  Data   2016 ,   2016,   pp .   2880 – 2885.   [12]   A.  Ta rhin i,   H.  Amm ar,   T.   T. - I .   B.   Resea r ch,   a nd    undef ine d  2 015,   “ Anal y sis  of  the   cr it i cal  succ ess  factors  f or  ent erp r ise  r esourc e   p la nning   impl ementa t ion  from   stake ho lde rs’ p e rspec ti v e:   A   s y st emati c   rev ie w” ,   cc sene t. org .   [13]   A.  B. - I.   J.  of  P.  Mana gement  and    undef ine d   2016,   “ The   impact   of  project   m ana gement  (PM )  and  bene fit s  m ana gement  (B M) pra ctic es  on  proje c t  suc ce ss : Towards de v el o pi n g  a   proj ec t   be nef it s gov ern an c e ” ,   E lsev i er .   [14]   C.   Serra ,   M.  K. - I .   J.  of  P.  Mana g e m ent ,   and    und ef ine d  2015,   “ Ben efi ts r e al isa ti on  m ana gement  and   it s inf lue n ce   on   proje c t  suc ce ss   a nd  on  th e execut ion  of  busin ess stra t egi es” ,   El se vier .   [15]   P.  Tsanga r at os   and  I.  Il i a,  “ Com par ison  of  a  log isti c  reg ression  and  Na ïve   Ba y es   class ifi er  in   la ndsl i de  sus ce pti bilit y   as sess m ent s:  The   infl uen ce   o f  m odel s  complex ity  and  training  d a ta set   size” ,   Cat e na ,   vol .   145 ,   pp .   164 – 179,   2016 .   [16]   L.   De y ,   S.  Chak rab ort y ,   A.  Bisw as,   B.   Bose,   and   S.  Ti wari ,   “ Senti m ent   Anal y sis  of  Revi ew  Data s et s  Us ing  N aï ve  Ba y es‘  and   K - NN   Cla ss ifi er ” ,   In t.   J. I nf .   Eng. E l e ct ron. Bus. ,   vol .   8,   no .   4 ,   pp .   54 – 62,   2016 .   [17]   S.  Shah,   K.  Kum ar,   R.   S,  “ Senti m ent al   Ana l ysis  of  Twit te r  Data   Us ing  Clas sifie r  Algorit h m s” ,   Inte rnatio nal   Journal  of   Elec t rical   and   Computer  Eng ine ering   ( IJE CE) ,   Vol.   6   No.  1,   357 - 366,   2016.   [18]   A.  McCal lum  an d  K.  Nigam,  “ A  Com par ison  of  Eve nt  Models  fo r  Naive   Ba y es  T ext   Cla ss ifica t io n” ,   A AA I/ICML - 98  Work. Learn. T ex t  Ca te g. ,   pp .   41 – 48,   1998 .   [19]   S.  Rasc hka ,   “ Na ive   B a y es  and  T ext   Cl assificat io n  I  -   Introductio n  and  The or y ” ,   arXiv   Prepr.   ar Xi v1410 . 5329 ,   p .   20,   2014 .   [20]   D.  Li - guo,   D.  Peng,   L.   A. ,   “ A  n ew  nai ve  Ba y e s  te xt  class ifi c at io n  al gorit hm ” ,   T ELKOMNIKA  Indone sian  Journal  of  E le c tric al   En gine ering   and  C omputer  Scienc e ,  Vol   12  No 2 ,   p p.   947 - 952;   201 4 .   Evaluation Warning : The document was created with Spire.PDF for Python.