Analisis Sentimen Produk Kecantikan Jenis Serum Menggunakan Algoritma Naïve Bayes Classifier

Abstract

The increased consumption of beauty products as a lifestyle has increased public opinion on the beauty products used. Generally, reviews are given through posts on social media. This study discusses the classification of sentiment analysis on the use of serum beauty products on Twitter using the Naïve Bayes Multinomial algorithm. Sentiment analysis of serum beauty products is carried out to provide information and preferences to the public regarding the quality of a product. The results of the information and preferences become a reference for consideration in choosing the appropriate serum beauty product. The data used in this study were 27,587 tweets using three keywords, namely "serum," "face serum", and "beauty serum". Tweet data is divided into training data and test data with the number of training data as much as 22,070 tweets and test data as much as 5,518 tweets. The data is categorized using the lexicon senticnet 7 dictionary based on polarity values. The results of the analysis of positive sentiment are 35%, negative sentiment is 63.8%, and neutral sentiment is 1.2%. The classification results using Naïve Bayes Multinomial obtain the highest accuracy value of 80%. The Confusion Matrix results get the highest precision value of 88%, the highest recall of 81%, and the highest f1-Score of 86%.

Analisis Sentimen Pengguna E-Commerce dan Marketplace Menggunakan Support Vector Machine

“…Analisis sentimen berbasis lexicon dinilai memilik banyak kendala. Antara lain diantaranya validitas hasil klasifikasi sentimen tergantung pada kualitas nilai polaritas dan jumlah kata di dalamnya [11]. Selain itu, pendekatan lexicon tidak dapat mendapatkan makna dari beberapa kata yang memiliki kedekatan arti sehingga berpengaruh pada penilaian polaritas [12].…”

“…Kamus leksikon yang digunakan dalam pelabelan sentimen adalah Senticnet 7 [23]. Penentuan sentimen kalimat opini ditentukan berdasarkan bobot tiap kata pada kamus leksikon dan kemudian dihitung skor polaritasnya menggunakan persamaan (1) [11].…”

Aspect Extraction of E-Commerce and Marketplace Applications Using Word2vec and Wordnet Path

“…Vektor tiap kata di dalam dokumen direpresentasikan sebagai 𝑣 = [𝑥 1 , 𝑥 2 , … 𝑥 𝑛 ], dimana 𝑥 𝑖 merupakan jumlah kemunculan kata ke-i pada kata atau term yang sudah ditentukan [12]. Representasi vektor kata pada makalah ini menggunakan mekanisme pembobotan TF-IDF [13], TF-IDF juga digunakan untuk ekstraksi fitur. Ekstraksi fitur atau aspek yang dihasilkan dimungkinkan memiliki kesamaan makna, sehingga diperlukan pemanfaatan proses similarity word untuk menentukan fitur yang miliki makna yang sama.…”

Penerapan Business Intelligence Untuk Menganalisa Data Gempa Bumi di Indonesia Menggunakan Tableau Public

“…Hal ini bertujuan untuk membantu dan mempermudah dalam proses dalam mengambil sebuah keputusan. Visualisasi berguna untuk menunjukkan peta persebaran serta grafik yang terkait dengan kasus gempa bumi di Indonesia [17]. Pembuatan dashboard sendiri dapat dimanfaatkan untuk memperkirakan kejadian yang akan terjadi di masa mendatang, sehingga tindakan penanggulangan dapat dilakukan terlebih dahulu.…”