Implementasi Algoritma Support Vector Machine Untuk Analisis Sentimen Aplikasi OLX di Playstore
DOI:
https://doi.org/10.24114/j-ids.v1i2.42597Abstract
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.References
S. J. Lewis, œThumbs 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., œThe Nature of Statistical Learning, Theory. p. 334, 1995.
K. A. Rokhman, B. Berlilana, and P. Arsi, œPerbandingan 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, œA 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, œAnalisis 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, œSupport 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, œKlasifikasi 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, œPerbandingan 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, œImplementasi 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, œPenerapan 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, œImplementasi 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, œAnalisis 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, œAnalisis 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, œWeb 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, œAnalisis 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., œAnalisis 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, œPenerapan 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, œUji 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.
