Analisis Sentimen Pada Ulasan Aplikasi Video Conference Menggunakan Naive Bayes

Abstract

Video conference merupakan aplikasi yang memungkinkan pengguna untuk berkomunikasi, melakukan rapat, belajar dan berbagi informasi. Hingga saat ini, sudah banyak aplikasi video conference yang digunakan, seperti Zoom, Google Meet, dan Microsoft Teams. Tentunya disetiap aplikasi terdapat ulasan mengenai aplikasi yang digunakan. Dengan adanya ulasan, maka pengguna lain dapat mempertimbangkan dan mengetahui lebih jauh terkait aplikasi yang digunakan. Namun karena jumlah ulasan di internet sangat banyak, maka diperlukan analisis sentimen untuk dapat mengklasifikasikan ke dalam sentimen positif, netral, atau negatif. Pada penelitian ini, sebanyak 400 data ulasan setiap aplikasi diambil dari Play Store. Data ulasan tersebut menggunakan Bahasa Indonesia dan diambil berdasarkan versi aplikasi terbaru. Sebelum digunakan, data perlu dilabeli dan dilakukan preprocessing terlebih dahulu untuk dapat melakukan klasifikasi sentimen. Proses pengerjaannya menggunakan pembobotan kata TF-IDF, klasifikasi Naïve Bayes, dan confusion matrix sebagai bahan evaluasi. Nantinya data ulasan dari ketiga aplikasi tersebut akan diproses secara terpisah. Dari hasil pengujian analisis sentimen menggunakan 100 data uji, didapatkan perbandingan jumlah sentimen positif antara kelas aktual (55 ulasan Zoom, 52 ulasan Google Meet, dan 47 ulasan Microsoft Teams) dengan kelas prediksi (90 ulasan, 76 ulasan, dan 71 ulasan). Selain itu, juga didapatkan nilai akurasi rata-rata dari ketiga aplikasi sebesar 69%.

Analisis Sentimen Data Ulasan Pengguna Aplikasi Google Kelas Pada Google Play Store Menggunakan Algoritma Naïve Bayes

“…Ulasan tersebut bisa berupa saran, kritik, maupun keluhan. Hal tersebut menjadi sangat bermanfaat dan membantu bagi pengguna lain yang akan menggunakan aplikasi tersebut [2] Terdapat beberapa penelitian yang membandingkan algoritma Support Vector Machine dan Naïve Bayes, algoritma Support Vector Machine memperoleh nilai akurasi yang lebih tinggi sebesar 81,22% sedangkan Naïve Bayes sebesar 74,37% [3] Hampir 50% dari pengguna internet bergantung pada rekomendasi word-of mouth (opini) sebelum membeli atau menggunakan suatu produk, termasuk opini-opini yang ada dalam sebuah forum [4] Beberapa penelitian mungkin belum memerhitungkan konteks budaya Bahasa yang unik. Oleh karena itu, penelitian ini akan berusaha untuk mengisi kesenjangan dalam literature dengan fokus pada aplikasi Google Kelas di Indonesia.Tujuan utama dari penelitian ini adalah untuk melakukan analisis sentimen terhadap data ulasan pengguna aplikasi Google Kelas di Indonesia menggunakan metode Naïve Bayes.…”

Analisis Sentimen Terhadap Review Aplikasi Brimo Di Google Play Store Menggunakan Algoritma Naïve Bayes

“…Semakin banyak frekuensi kemunculan dari kata tersebut, maka semakin besar nilai TF-IDF. IDF menunjukan bagaimana suatu term di distribusikan secara luas dalam dokumen, Semakin besar nilai IDFnya [9] proses term weighting, di mana term akan diberi bobot (nilai) yang mencerminkan tingkat pentingannya terhadap dokumen. Selanjutnya, dilakukan perhitungan bobot pada term yang dicari dalam setiap dokumen dengan tujuan untuk mengetahui relevansi dan kesamaan term di dalam dokumen tersebut.…”

Classification of West Java Batik Motifs Using Convolutional Neural Network

“…Sehingga hal ini dipecah menjadi dua bagian berdasarkan Confusion matrix 3x3. Bagian pertama berisi temuan aktual yang merupakan hasil dari kategorisasi model berdasarkan pendekatan yang diterapkan [16]. Kedua hasil tersebut dibagi menjadi tiga kelas yaitu: "A, B, C, namun dari ketiga kelas tersebut akan dibagi menjadi sembilan nilai.…”