Implementasi Algoritma Support Vector Machine Untuk Analisis Sentimen Aplikasi OLX di Playstore

Aqila Salsabila, Jeremia Jordan Sihombing, Rizky Irvandi Sitorus

Abstract


Analisis sentiment adalah menganalisis  opini, sentimen, evaluasi, penilaian, sikap, dan emosi orang-orang terhadap entitas seperti produk, layanan, organisasi,  individu,  masalah,  peristiwa, topik, dan atributnya. Support Vector Machine (SVM) adalah salah satu algoritma klasifikasi yang bisa digunakan untuk sentimen analisis. Penelitian ini bertujuan mengklasifikasikan review OLX Google Play Store menggunakan analisis sentimen yang telah dikumpulkan dan disaring. Hasil dari penelitian ini sangat berguna bagi pemilik aplikasi untuk mengambil keputusan di masa depan. Penelitian ini menggunakan 2500 data ulasan aplikasi OLX dari Google Play Store.  Pada tahap pertama penelitian ini menggunakan Case Folding, Filtering, Tokenizing, Slang Word, Stopwords, Stemming, kemudian melakukan Konversi kalimat lalu mentransformasi teks ke vector dengan TfidfVectorizer. Pada tahap kedua melakukan spilt data menjadi dua bagian dengan perbandingan 80% dan 20%, yaitu 80% bagian untuk data training dan 20% bagian untuk data testing. Pada tahap terakhir membangun model sehingga diperoleh akurasi sebesar 85%, precision negatif sebesar 86% dan positif sebesar 82% , serta recall negatif sebesar 91% serta postif sebesar 73% dan f1-score sebesar 85%. Dapat disimpulkan dari sentimen analisis aplikasi OLX  berdasarakan ulasan di Playstore memuat lebih banyak ulasan negatif dibandingkan ulasan positif, hal ini dapat menjadi bahan evaluasi untuk kedepannya bagi pemilik aplikasi.


Full Text:

PDF

References


S. J. Lewis, “Thumbs up,” Am. J. Orthod. Oral Surg., vol. 31, no. 9, pp. 481–482, 1945, doi: 10.1016/0096-6347(45)90048-2.

VAPNIK and V. N., “The Nature of Statistical Learning,” Theory. p. 334, 1995.

K. A. Rokhman, B. Berlilana, and P. Arsi, “Perbandingan Metode Support Vector Machine Dan Decision Tree Untuk Analisis Sentimen Review Komentar Pada Aplikasi Transportasi Online,” J. Inf. Syst. Manag., vol. 3, no. 1, pp. 1–7, 2021, doi: 10.24076/joism.2021v3i1.341.

C. J. C. Burges, “A tutorial on support vector machines for pattern recognition,” Data Min. Knowl. Discov., vol. 2, no. 2, pp. 121–167, 1998, doi: 10.1023/A:1009715923555.

N. Yunita, “Analisis Sentimen Berita Artis Dengan Menggunakan Algoritma Support Vector Machine dan Particle Swarm Optimization,” J. Sist. Inf. STMIK Antar Bangsa, vol. 5, no. 2, pp. 104–112, 2016, [Online]. Available: www.tribunnews.com

D. A. Pisner and D. M. Schnyer, “Support vector machine,” Mach. Learn. Methods Appl. to Brain Disord., pp. 101–121, 2019, doi: 10.1016/B978-0-12-815739-8.00006-7.

M. Ichwan, I. A. Dewi, and Z. M. S, “Klasifikasi Support Vector Machine (SVM) Untuk Menentukan TingkatKemanisan Mangga Berdasarkan Fitur Warna,” MIND J., vol. 3, no. 2, pp. 16–23, 2019, doi: 10.26760/mindjournal.v3i2.16-23.

M. Resa, A. Yudianto, A. Rahim, P. Sukmasetya, and R. A. Hasani, “Perbandingan Metode Support Vector Machine Dengan Metode Lexicon Dalam Analisis Sentimen Bahasa Indonesia,” J. Teknol. Informasi), vol. 6, no. 1, 2022, [Online]. Available: https://github.com/fajri91/InSet.

W. Agustina, M. T. Furqon, and B. Rahayudi, “Implementasi Metode Support Vector Machine (SVM) Untuk Klasifikasi Rumah Layak Huni (Studi Kasus: Desa Kidal Kecamatan Tumpang Kabupaten Malang),” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. Vol. 2 No., no. 10, pp. 3366–3372, 2018.

P. A. Octaviani, Yuciana Wilandari, and D. Ispriyanti, “Penerapan Metode Klasifikasi Support Vector Machine (SVM) pada Data Akreditasi Sekolah Dasar (SD) di Kabupaten Magelang,” J. Gaussian, vol. 3, no. 8, pp. 811–820, 2014.

B. W. Sari and F. F. Haranto, “Implementasi Support Vector Machine Untuk Analisis Sentimen Pengguna Twitter Terhadap Pelayanan Telkom Dan Biznet,” J. Pilar Nusa Mandiri, vol. 15, no. 2, pp. 171–176, 2019, doi: 10.33480/pilar.v15i2.699.

R. Wahyudi and G. Kusumawardana, “Analisis Sentimen pada Aplikasi Grab di Google Play Store Menggunakan Support Vector Machine,” J. Inform., vol. 8, no. 2, pp. 200–207, 2021, doi: 10.31294/ji.v8i2.9681.

M. R. Fahlevvi, “Analisis Sentimen Terhadap Ulasan Aplikasi Pejabat Pengelola Informasi dan Dokumentasi Kementerian Dalam Negeri Republik Indonesia di Google Playstore Menggunakan Metode Support Vector Machine,” vol. 4, no. 1, pp. 1–13, 2022.

F. Johnson and S. Kumar Gupta, “Web Content Mining Techniques: A Survey,” Int. J. Comput. Appl., vol. 47, no. 11, pp. 44–50, 2012, doi: 10.5120/7236-0266.

F. A. Tamardina, H. Yasin, and D. Ispriyanti, “Analisis Sentimen Review Aplikasi Cryptocurrency Menggunakan Algoritma Maximum Entropy Dengan Metode Pembobotan Tf, Tf-Idf Dan Binary,” J. Gaussian, vol. 11, no. 1, pp. 1–10, 2022, doi: 10.14710/j.gauss.v11i1.34004.

S. W. Iriananda et al., “Analisis Sentimen Dan Analisis Data Eksploratif Ulasan Aplikasi Marketplace Google Playstore,” no. Ciastech, pp. 473–482, 2021.

D. Darwis, E. S. Pratiwi, and A. F. O. Pasaribu, “Penerapan Algoritma Svm Untuk Analisis Sentimen Pada Data Twitter Komisi Pemberantasan Korupsi Republik Indonesia,” Edutic - Sci. J. Informatics Educ., vol. 7, no. 1, pp. 1–11, 2020, doi: 10.21107/edutic.v7i1.8779.

I. W. Saputro and B. W. Sari, “Uji Performa Algoritma Naïve Bayes untuk Prediksi Masa Studi Mahasiswa,” Creat. Inf. Technol. J., vol. 6, no. 1, p. 1, 2020, doi: 10.24076/citec.2019v6i1.178.




DOI: https://doi.org/10.24114/j-ids.v1i2.42597

Article Metrics

Abstract view : 594 times
PDF - 545 times

Refbacks

  • There are currently no refbacks.


Journal of Informatics and Data Science (J-IDS)

ISSN (Online) : 2964-0415

Published By Computer Science Study Program, Faculty of Mathematics and Natural Sciences, Universitas Negeri Medan.

Website: https://jurnal.unimed.ac.id/2012/index.php/jids/index

Email : jids@unimed.ac.id

This work is licensed under a Creative Commons Attribution 4.0 International License.

slot gacor slot