Analisis Sentimen Pelabelan Otomatis Lexicon Vader dan Klasifikasi Naive Bayes dalam menganalisis sentimen data ulasan PLN Mobile Analisis Sentimen
Article Sidebar
Main Article Content
Abstract
PT PLN (Persero) mengembangkan aplikasi PLN Mobile untuk menyediakan layanan kelistrikan melalui aplikasi mobile. Ulasan di Google Play Store diberi peringkat dari 1 hingga 5, tetapi pengguna sering memberikan peringkat yang tidak sesuai dengan ulasan mereka, jadi ini tidak cukup menggambarkan kualitas aplikasi. Aplikasi PLN Mobile berisi begitu banyak ulasan atau data ulasan yang membaca semuanya akan sulit dan memakan waktu. Sistem klasifikasi digunakan untuk mengukur sentimen publik. Analisis sentimen dilakukan terhadap 1000 sampel review yang dikumpulkan melalui PLN Mobile App antara Januari hingga Juni 2022. Langkah-langkah dalam penelitian ini dilakukan dengan meninjau teknik pengumpulan data seperti web scraping, machine translation, data labeling, text preprocessing, TF-IDF , klasifikasi teks, dan evaluasi model. Hasil untuk pendekatan klasifikasi teks berbasis Lexicon, yang akan menggunakan pendekatan berbasis kamus Vader Lexicon, adalah 489 sentimen positif, 145 sentimen negatif, dan 366 netral. Berdasarkan hasil perbandingan kelas positif, netral, dan negatif terhadap 1000 sampel data dari Vader Lexicon, kelas positif mendapat rating 67%, kelas netral mendapat rating 6%, dan kelas negatif mendapat rating. dari 27%. Metode Naive Bayes juga digunakan dalam proses klasifikasi. Untuk distribusi data uji dan data latih, penulis menggunakan rasio data split 90:10. Proses evaluasi matriks konfusi memiliki tingkat akurasi 70%.
Downloads
Article Details
References
Bestari, N. P. (2020). PLN Rilis New PLN Mobile, Cobain nih 9 Fitur Utamanya. Jakarta: CNBC Indonesia.
https://play.google.com/store/apps/details?id=com.icon.pln123&hl=in&gl=US, diakses tanggal 7 Juni 2022
Potharaju, R., Rahman, M., & Carbunar, B. (2017). A longitudinal Study of Google Play. IEEE Xplore, 1-14.
Bo Pang and Lillian Lee (2008), "Opinion Mining and Sentiment Analysis", Foundations and Trends® in Information Retrieval: Vol. 2: No. 1–2, pp 1-135. http://dx.doi.org/10.1561/1500000011
Sahuburua, R. M. (2019). Pengaruh Pelabelan Otomatis Berbasis Rating Terhadap Analisis Sentimen Data Ulasan Hotel. Bandung: Universitas Telkom.
Tanggraeni, A. I., & Sitokdana, M. N. (2022). Analisis Sentimen Aplikasi E-Government Pada Google Play Menggunakan Algoritma Naïve Bayes. Jurnal Teknik Informatika dan Sistem Informasi , 785-795.
Tambunan, H., & Hapsari, T. (2021). Analisis Opini Pengguna Aplikasi New PLN Mobile Menggunakan Text Mining. PETIR, 15(1), 121 - 134. https://doi.org/10.33322/petir.v15i1.1352
Nurhafida, S. I., & Sembiring, F. (2022). Analisis opini pengguna aplikasi Novel Online di google playstore menggunakan algoritma svm. J-Sakti, 317-327.
Fitri, E. (2020). Analisis Sentimen Terhadap Aplikasi Ruangguru Menggunakan Algoritma Naive Bayes, Random Forest Dan Support Vector Machine. TRANSFORMATIKA, 71-80.
Hutto, C., & Gilbert, E. (2014). VADER: A Parsimonious Rule-based Model for Sentiment Analysis of Social Media Text. AAAI Conference, (pp. 217-225).
Bayhaqy, A., Nainggolan, K., Sfenrianto dan Kaburuan, E. R. 2018. Sentiment Analysis about E-Commerce from Tweets Using Decision Tree, K-Nearest Neighbor, and Naïve Bayes. The International Conference on Orange Technologies (ICOT). Published by IEEE. DOI: 10.1109/ICOT.2018.8705796.
Asri, Y. (2015). Analisa Perbandingan Keputusan Metode Klasifikasi Decision Tree dan Naive Bayes Dalam Penntuan Diagnosa Hipertensi. KILAT, 41-46.
Haryono, Palupiningsih, P., Asri, Y., & Handayani, A. N. (2018). KLASIFIKASI PESAN GANGGUAN PELANGGAN MENGGUNAKAN METODE NAIVE BAYES CLASSIFIER. KILAT, 109-119.
Anggraini, N., & Suroyo, H. (2019). Comparison of Sentiment Analysis against Digital Payment “T-cash and Go-pay” in Social Media Using Orange Data Mining. Journal of Information Systems and Informatics, 152-16.
Pinto, J. P., & Murari, V. (2019). Real Time Sentiment analysis of Political Twitter Data Using Machine Learning Approach. International Research Journal of Engineering and Technology (IRJET), 6(4), 4124–4129
Rolliawati, D., Khalid, & Rozas, I. S. (2020). TEKNOLOGI OPINION MINING UNTUK MENDUKUNG STRATEGIC PLANNING. Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), 293-301.
Rosdiana, Tungadi, E., Saharuna, Z., & Utomo, M. N. (2019). Analisis Sentimen pada Twitter terhadap Pelayanan Pemerintah Kota Makassar. Proceeding SNTEI, (pp. 87-93).
Harpizon, H. A., Kurniawan, R., Iskandar, I., Salambue, R., Budianita, E., & Syafria, F. (2022). Analisis Sentimen Komentar DiYouTube Tentang Ceramah Ustadz Abdul Somad Menggunakan Algoritma Naïve Bayes. JNKTI, 130-139.
Azhar, R., Surahman, A., & Juliane, C. (2022). Analisis Sentimen Terhadap Cryptocurrency Berbasis Python TextBlob Menggunakan Algoritma Naïve Bayes. Jurnal Sains Komputer & Informatika (J-SAKTI), 267-281.
Liu, B. (2011). Opinion Mining and Sentiment Analysis. Data-Centric Systems and Applications book series (DCSA).
Barber, Alex dan Robert J Stainton. 2010. Philosophy of Language and Linguistics. Oxford: Elsevier
Saraswati, & Sumartini, N. W. (2011). Text Mining dengan Metode Naive Classifier dan Support Vector Machines untuk Sentiment Analysis. Tesis Program Pascasarjana Universitas.
Ghiassi, M., and S. Lee. (2018) “A Domain Transferable Lexicon Set for Twitter Sentiment Analysis.” Expert Systems With Applications. pp. 197-216