PENERAPAN METODE SUPPORT VECTOR MACHINE DAN NAÏVE BAYES PADA KLASIFIKASI SENTIMEN REVIEW APLIKASI WHATSAPP
Bilah Samping Artikel
Read Counter : 66
Download : 73
Isi Artikel Utama
Abstrak
Dengan semakin populernya aplikasi berbasis pengguna seperti WhatsApp, terdapat kebutuhan yang semakin besar untuk menganalisis sentimen pengguna secara efektif. Dalam penelitian ini, kami menerapkan metode Support Vector Machine (SVM) untuk menganalisis sentiment ulasan pengguna WhatsApp di Google Play Store. Data validasi diolah dan dinormalisasi sebelum diterapkan pada model SVM. Representasi teks dengan teknik TF-IDF digunakan untuk menghasilkan fitur-fitur yang relevan. Eksperimen dilakukan dengan membagi data menjadi set pelatihan dan set pengujian. Hasil evaluasi model menunjukkan efektivitas SVM dalam klasifikasi sentimen, dan akurasi serta metrik evaluasi lainnya memberikan hasil yang memuaskan. Penerapan SVM dalam analisis sentimen ini berkontribusi pada pemahaman mendalam tentang reaksi pengguna terhadap aplikasi WhatsApp dan memberikan wawasan berharga bagi pengembang dan pemangku kepentingan. Eksperimen dilakukan untuk membandingkan performa kedua algoritma, meliputi akurasi, presisi, recall, dan skor F1. Hasil eksperimen menunjukkan bahwa kedua algoritma dapat memberikan klasifikasi emosi yang baik, namun kinerjanya dapat bervariasi tergantung pada jenis dataset dan parameter yang digunakan. Studi ini berkontribusi untuk memahami sentimen pengguna terhadap WhatsApp dan memberikan wawasan kepada pengembang untuk meningkatkan kualitas aplikasi mereka. Selain itu, hasil eksperimen memberikan wawasan yang lebih mendalam tentang kelebihan dan kekurangan Naive Bayes dan SVM dalam konteks klasifikasi sentimen dalam tinjauan aplikasi.
Rincian Artikel
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Menawarkan akses terbukaReferensi
[1] Tetsuya Nasukawa, J. Y. (2003). Sentiment analysis: capturing favorability using natural language processing. In Proceedings of the 2nd international conference on Knowledge capture, 70-77.
[2] Cortes, .. V. (1995). Support Vector Machine. Machine Learning, 273-297.
[3] Barokah, K. (2019). Metode Naive Bayes dari teorema Bayes adalah. 10.
[4] Wijaya, W. D. (2022). Penerapan metode Support Vector Machine untuk analisis sentimen pada ulasan pelanggan hotel di tripadvisor. jurnal Ilmu Komputer dan Sistem Informasi, 10.2
[5] Yan Kenny, D. A. (2022). Analisis sentimen komentar netizen twitter terhadap kesehatan mental masyarakat Indonesia. Jurnal Ilmu Komputer Dan Sistem Informasi, 10.1.
[6] Gunawan, B., Sastypratiwi, H., & Pratama, E. E. (2018). (Gunawan, 2018). JEPIN (Jurnal Edukasi dan Penelitian Informatika), 4(2), 113-118.
[7] Nugroho, D. G. (2016). analisis sentimen pada jasa ojek online menggunakan metode naive bayes. Prosiding seminar sains nasional dan teknologi, Vol. 1, no. 1.
[8] Sipayung, E. M., Maharani, H., & Zefanya, I. (2016). Perancangan Sistem Analisis Sentimen Komentar Pelanggan Menggunakan Metode Naive Bayes Classifier. Jurnal Sistem Informasi (JSI), 8(1), 958-965.
[9] Yulita, W. (2021). Analisis sentimen terhadap opini masyarakat tentang vaksin covid-19 menggunakan algoritma naïve bayes classifier. jurnal data mining dan sistem informasi, 1-9.
[10] Tuhuteru, H. (2020). Analisis Sentimen Masyarakat Terhadap Pembatasan Sosial Berksala Besar Menggunakan Algoritma Support Vector Machine. Journal Information System Development (ISD), 5(2)
[11] Styawati, S. H. (2021). analisis sentimen masyarakat terhadap program kartu prakerja pada twitter dengan metode support vector machine. jurnal informatika: jurnal pengembangan it, 150-155.
[12] Novantirani, A. S. (2015). Analisis sentimen pada twitter untuk mengenai perubahan trasnportasi umum darat dalam kota dengan metode support vector machine. eProceedings of engineering, 2(1).
[13] Irfani, F. F. (2020). analisis sentimen review aplikasi ruang guru menggunakan algoritma support vector machine. JBMI, 258.
[14] Rofiqoh, U. P. (2017). analisis sentimen tingkat kepuasan pengguna penyedia layanan telekomunikasi seluler indonesia pada twitter dengan metode support vector machine dan lexicon based features. jurnal pengembangan teknologi informasi dan ilmu komputer , 1725-1732.
[15] Arsi, P., & Waluyo, R. (2021). Analisis Sentimen Wacana Pemindahan Ibu Kota Indonesia Menggunakan Algoritma Support Vector Machine (SVM). J. Teknol. Inf. dan Ilmu Komput, 8(1), 147.
[16] Apriyani, H. &. (2020). perbandingan metode naive bayes dab support vector machine. journal of information technology ampera, 133-143.
[17] Sari, C. A. (2022). Perbandingan Metode Naïve Bayes, Support Vector Machine Dan Decision Tree Dalam Klasifikasi Konsumsi Obat. Jurnal Litbang Edusaintech, 33-41.
[18] Lasulika, M. E. (2019). Komparasi Naïve Bayes, Support Vector Machine Dan K-Nearest Neighbor Untuk Mengetahui Akurasi Tertinggi Pada Prediksi Kelancaran Pembayaran Tv Kabel. ILKOM Jurnal Ilmiah,, 11-16.
[19] Robertson, S. (2004). Understanding inverse document frequency : on theoritical arguments for IDF. Journal of documentation 60.5, 503 - 520.
[20] Ismuhamdan, M. E.-1. (Ismuhamdan, M. E., Prajoko, P., & Apriandari, W. (2023)). Klasifikasi Efektivitas Kebijakan Relokasi Pusat Jajanan Kota Sukabumi Menggunakan Algoritma Naïve Bayes Classifier. Bit (Fakultas Teknologi Informasi Universitas Budi Luhur), 20(2), 103-112.