UNMUHUNMUH

JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesia)JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesia)

Transformasi teknologi informasi membuka peluang besar dalam penerapan pemrosesan bahasa alami (Natural Language Processing) untuk analisis sentimen teks, khususnya dalam menggali opini pengguna terhadap layanan berbasis aplikasi. Penelitian ini bertujuan untuk menganalisis sentimen ulasan pengguna aplikasi ojek daring ACI (Aku Cinta Indonesia) yang tersedia di Google Play Store dengan menerapkan metode N-gram dan algoritma Support Vector Machine (SVM). Data yang digunakan berjumlah 1.419 ulasan, yang setelah melalui tahap pengolahan data dan pelabelan sentimen berbasis lexicon-based menghasilkan 239 data akhir dengan kategori sentimen positif dan negatif. Ekstraksi fitur dilakukan menggunakan kombinasi unigram, unigram bigram, dan unigram trigram, dengan pembobotan kata menggunakan Term Frequency–Inverse Document Frequency (TF-IDF). Selanjutnya, proses klasifikasi dilakukan menggunakan Support Vector Machine (SVM) dengan kernel linear melalui pembagian data latih dan data uji dengan rasio 80:20. Hasil pengujian menunjukkan bahwa unigram bigram memperoleh akurasi tertinggi sebesar 96%, diikuti oleh unigram trigram sebesar 94%, dan unigram sebesar 90%, dengan seluruh nilai precision, recall, dan F1-score pada ketiga model berada di atas 88%. Hasil ini menunjukkan bahwa kombinasi unigram bigram mampu merepresentasikan konteks kata secara lebih optimal dibandingkan unigram, namun tetap lebih efisien daripada unigram trigram, sehingga meningkatkan akurasi klasifikasi sentimen oleh model SVM tanpa menambah kompleksitas secara signifikan.

Pengujian menggunakan metode klasifikasi SVM pada ulasan aplikasi ACI menunjukkan bahwa kombinasi unigram bigram menghasilkan akurasi tertinggi sebesar 96%, diikuti oleh unigram trigram dengan akurasi 94%, dan unigram dengan akurasi 90%, di mana seluruh nilai precision, recall, dan F1-score masing-masing model berada di atas 88%.Hasil ini menunjukkan bahwa kombinasi unigram bigram mampu menangkap konteks kata yang lebih luas dibandingkan unigram, namun tetap lebih efisien dibandingkan kombinasi unigram trigram, sehingga meningkatkan kemampuan model SVM dalam membedakan sentimen positif dan negatif secara lebih akurat tanpa menambah kompleksitas model secara berlebihan.Penelitian ini memberikan kontribusi penting dalam pengembangan sistem analisis sentimen yang lebih akurat dan efisien untuk aplikasi layanan transportasi daring.

Berdasarkan hasil penelitian ini, terdapat beberapa saran penelitian lanjutan yang dapat dilakukan untuk meningkatkan akurasi dan efisiensi analisis sentimen pada aplikasi ACI. Pertama, penelitian selanjutnya dapat mengeksplorasi penggunaan model deep learning, seperti recurrent neural networks (RNN) atau transformers, untuk menangkap pola bahasa yang lebih kompleks dan konteks yang lebih luas dalam ulasan pengguna. Kedua, pengembangan lexicon-based yang lebih komprehensif dan adaptif terhadap bahasa gaul atau slang yang sering digunakan dalam ulasan aplikasi dapat meningkatkan akurasi pelabelan sentimen. Ketiga, penelitian dapat mengkaji pengaruh faktor-faktor lain, seperti demografi pengguna atau waktu posting ulasan, terhadap sentimen yang diungkapkan, sehingga dapat memberikan wawasan yang lebih mendalam tentang preferensi dan kebutuhan pengguna aplikasi ACI.

Read online
File size682.08 KB
Pages8
DMCAReport

Related /

ads-block-test