Sistem Analisis Sentimen pada Ulasan Produk Menggunakan Metode Naive Bayes

Billy Gunawan, Helen Sastypratiwi, Enda Esyudha Pratama

Abstract


Sistem analisis sentimen merupakan sistem yang digunakan untuk melakukan proses analisis otomatis pada ulasan produk online bahasa Indonesia untuk memperoleh informasi meliputi informasi sentimen yang merupakan bagian dari ulasan online. Data tersebut diklasifikasikan menggunakan Naive Bayes. Sistem analisis sentimen dibagi menjadi 5 (lima) tahap, yaitu crawling, pre-processing, pembobotan kata, pembentukan model dan klasifikasi sentimen. Pada pembobotan kata digunakan metode TF-IDF (Term Frequency – Inverse Document Frequency). Data yang ada akan diklasifikasikan ke dalam 5 (lima) kelas, yaitu sangat negatif, negatif, netral, positif dan sangat positif. Data tersebut kemudian akan dievaluasi menggunakan pengujian confusion matrix dengan parameter akurasi, recall, dan precision. Hasil pengujian menunjukkan pada pengujian 3 kelas (negatif, netral dan positif) hasil terbaik didapatkan pada 90% data latih dan 10% data uji dengan nilai akurasi 77.78%, recall 93.33% dan precision 77.78% dan pada pengujian 5 kelas hasil terbaik didapatkan pada 90% data latih dan 10% data uji  dengan nilai akurasi 59.33 %, recall 58.33 % dan precision 59.33 %. Hasil prediksi kelas data uji yang relevan dibandingkan antara kelas sentimen yang ditandai supervisor dan kelas sentimen yang dihasilkan oleh sistem analisis sentimen walaupun belum sepenuhnya akurat.

Keywords


Naive Bayes; Klasifikasi Sentimen; Tf-Idf; Confusion Matrix; Akurasi

Full Text:

PDF

References


Keller, Kevin L., dan Donald R. Lehmann. 2006. Brands and Branding: Research Findings and Future Priorities. Marketing Science. Vol. 25, No 6. Maryland: INFORMS.

Buntoro, Ghulam Asrofi, Teguh Bharata Adji, dan Adhistya Erna Purnamasari. 2016. Sentiment Analysis Candidates of Indonesian Presiden 2014 with Five Class Attribute. International Journal of Computer Applications. Vol. 136 No. 2. Ronowijayan :Universitas Muhammadiyah Ponorogo.

Natalius, Samuel. 2010. Metode Naive Bayes Classifier dan Penggunaannya pada Klasifikasi Dokumen. Bandung: Institut Teknologi Bandung.

Kristiyanti, Dinar Ajeng. 2015. Analisis Sentimen Review Produk Kosmetik Menggunakan Algoritma Support Vector Machine dan Particle Swarm Optimization Sebagai Seleksi Fitur. Seminar Nasional Inovasi dan Tren (SNIT) 2015. Jakarta: STMIK Nusa Mandiri.

Sipayung, Evasaria M., Herastia Maharani, dan Ivan Zefanya. 2016. Perancangan Sistem Analisis Sentimen Komentar Pelanggan Menggunakan Metode Naive Bayes Classifier. Jurnal Sistem Informasi (JSI), VOL. 8, NO. 2. Bandung: Institut Teknologi Harapan Bangsa.

Budi, Setyo. 2017. Text Mining Untuk Analisis Sentimen Review Film Menggunakan Algoritma K-Means. Techno.COM, Vol. 16, No. 1. Semarang : Universitas Dian Nuswantoro Semarang

Anonim. 2018. Kamus Besar Bahasa Indonesia. https://kbbi.kemdikbud.go.id/, 24 Maret 2018

Kotsiantis, S. B., D. Kanellopoulos dan P. E. Pintelas. 2006. Data Preprocessing for Supervised Learning. International Journal of Computer Science Volume 1 Number 2. Patras: University of Patras.

Amin, Fatkhul. 2012. Sistem Temu Kembali Informasi dengan Metode Vector Space Model. Jurnal Sistem Informasi Bisnis 02. Semarang: Universitas Stikubank.

Valatehan, Lucky, Muhammad Fachrurrozi, dan Osvari Arsalan. 2016. Identifikasi Kalimat Pemborosan Menggunakan Rule Based Reasoning. Annual Research Seminar Vol 2 No. 1. Palembang: Universitas Sriwijaya.

Manning, Christopher D, Prabhakar Raghavan, dan Hinrich Schütze. Introduction to Information Retrieval. Cambridge: Cambridge University Press, 2008.

Baeza R.Y., dan Neto R., 1999. Modern Information Retrieval. Boston: USA.

Wilson, Garnett, Rodolphe Devillers, and Orland Hoeber. 2011. Fuzzy Logic Ranking For Personalized Geographical Information Retrieval. Proceedings of the Third International Conference on Intelligent Human Computer Interaction (IHCI 2011). Czech Republic: Springer Berlin Heidelberg.

A.S., Rosa dan M. Shalahudin. 2016. Rekayasa Perangkat Lunak Terstruktur dan Berorientasi Objek. Bandung: Informatika Bandung.

Hamilton, Howard. 2017. Confusion Matrix. http://www2.cs.uregina.ca/~hamilton/courses/831/notes/confusion_matrix/confusion_matrix.html, 24 Maret 2018.




DOI: http://dx.doi.org/10.26418/jp.v4i2.27526

Refbacks

  • There are currently no refbacks.


Oktrik
Creative Commons License
This work is licensed under aCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
View My Stats