Text Mining dan Klasterisasi Sentimen Pada Ulasan Produk Toko Online

Authors

  • Rimbun Siringoringo Universitas Methodist Indonesia
  • Jamaludin Jamaludin Universitas Methodist Indonesia

DOI:

https://doi.org/10.34012/jutikomp.v2i1.456

Keywords:

sentiment analysis, text mining, support vector machine, product review

Abstract

Pertumbuhan media sosial dan e-commerce mengubah cara berinteraksi dan menyampaikan pandangan, opini dan mood. Ulasan produk merupakan salah satu bentuk penyampaian opini dan sentimen konsumen terhadap sebuah produk secara online. Ulasan produk saat ini memiliki peranan yang sangat penting dalam mempengaruhi minat konsumen terhadap sebuah produk.  Analisis sentimen merupakan pendekatan yang banyak dikerjakan untuk mengekstrak informasi dan menggali opini berkaitan dengan ulasan produk. Analisis sentimen memiliki beberapa tantangan, yang pertama sering sekali hasil analisis sentimen yang dihasilkan oleh model-model prediksi berbeda dengan sentimen yang aktual, tantangan kedua adalah berkaitan dengan cara konsumen mengekpresikan sentimen dan mood selalu berbeda dari satu keadaan ke keadaan berikutnya. Pada penelitian ini dilakukan analisis sentimen berdasarkan ulasan produk sepatu Trendy Shoes merek Denim. Tahapan analisis sentimen terdiri dari pengumpulan data, pemrosesan awal, transformasi data, seleksi fitur dan tahapan klasifikasi menggunakan Suppport Vector Machine. Pemrosesan awal menerapkan tahapan text mining yakni case folding, non alpha numeric removal, stop words removal, dan stemming. Hasil analisis sentimen diukur menggunakan kriteria Akurasi, G-Mean, dan F-Measure. Dengan menerapkan pengujian pada tiga jenis data sentimen diperoleh hasil bahwa Suppport Vector Machine dapat mengklasifikasi sentimen dengan baik. Performa Suppport Vector Machine dibandingkan  dengan metode K-Nearest Neighor. Hasil klasifiasi sentimen menggunakan Suppport Vector Machine lebih unggul dari  K-Nearest Neighbor.

References

[1] Y. E. Ariska, W. Maharani, and M. S. Mubarok, “Peringkasan review produk berbasis fitur menggunakan semantic similarity scoring dan sentence clustering,” p. 9.
[2] X. Fang and J. Zhan, “Sentiment analysis using product review data,” Journal of Big Data, vol. 2, no. 1, p. 5, 2015.
[3] P. Kowalchuk, “Implementing a Drilling Reporting Data Mining Tool Using Natural Language Processing Sentiment Analysis Techniques,” in SPE Middle East Oil and Gas Show and Conference, 2019.
[4] P. Nagamma, H. R. Pruthvi, K. K. Nisha, and N. H. Shwetha, “An improved sentiment analysis of online movie reviews based on clustering for box-office prediction,” in Computing, Communication & Automation (ICCCA), 2015 International Conference on, 2015, pp. 933–937.
[5] A. Amolik, N. Jivane, M. Bhandari, and M. Venkatesan, “Twitter sentiment analysis of movie reviews using machine learning techniques,” international Journal of Engineering and Technology, vol. 7, no. 6, pp. 1–7, 2016.
[6] R. Soni and K. J. Mathai, “Effective sentiment analysis of a launched product using clustering and decision trees,” International Journal of Innovative Research in Computer and Communication Engineering, vol. 4, no. 1, 2016.
[7] H. Isah, P. Trundle, and D. Neagu, “Social media analysis for product safety using text mining and sentiment analysis,” in 2014 14th UK Workshop on Computational Intelligence (UKCI), 2014, pp. 1–7.
[8] L. Kumar and P. K. Bhatia, “Text Mining: Concepts, Process and Applications,” Journal of Global Research in Computer Science, vol. 4, no. 3, pp. 36–39, 2013.
[9] I. C. R. Drajana, “Metode support vector machine dan forward selection prediksi pembayaran pembelian bahan baku kopra,” vol. 9, p. 8, 2017.
[10] F. Z. Tala, “A study of stemming effects on information retrieval in Bahasa Indonesia,” Institute for Logic, Language and Computation, Universiteit van Amsterdam, The Netherlands, 2003.
[11] M. Adriani, J. Asian, B. Nazief, S. M. Tahaghoghi, and H. E. Williams, “Stemming Indonesian: A confix-stripping approach,” ACM Transactions on Asian Language Information Processing (TALIP), vol. 6, no. 4, pp. 1–33, 2007.
[12] W. Prachuabsupakij and P. Doungpaisan, “Matching preprocessing methods for improving the prediction of student’s graduation,” in Computer and Communications (ICCC), 2016 2nd IEEE International Conference on, 2016, pp. 33–37.

Downloads

Published

2019-04-03

How to Cite

Siringoringo, R., & Jamaludin, J. (2019). Text Mining dan Klasterisasi Sentimen Pada Ulasan Produk Toko Online. JURNAL TEKNOLOGI DAN ILMU KOMPUTER PRIMA (JUTIKOMP), 2(1), 314-319. https://doi.org/10.34012/jutikomp.v2i1.456

Issue

Vol. 2 No. 1 (2019): Jutikomp Volume 2 Nomor 1 April 2019

Section

Articles

License

Copyright (c) 2019 Rimbun Siringoringo, Jamaludin Jamaludin

Creative Commons License

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

  • Hak Cipta atas naskah-naskah karya ilmiah di dalam Jurnal ini dipegang oleh Penulis.
  • Penulis menyerahkan hak saat pertama kali mempublikasi Naskah karya ilmiahnya dan secara bersamaan Penulis memberikan izin/lisensi dengan mengacu pada  Creative Commons Attribution-ShareAlike 4.0 International License kepada pihak lain untuk menyebarkan karya ilmiahnya tersebut dengan tetap mencantumkan penghargaan bagi penulis dan Jurnal Teknologi dan Ilmu Komputer Prima sebagai media Publikasi pertama atas karya tersebut.
  • Hal-hal yang berkaitan dengan non-eksklusivitas pendistribusian Jurnal yang menerbitkan karya ilmiah penulis dapat diperjanjikan secara terpisah (contoh: permintaan untuk menempatkan karya yang dimaksud pada perpustakaan suatu institusi atau menerbitkannya sebagai buku) dengan Penulis sebagai salah satu pihak perjanjian dan dengan penghargaan pada Jurnal Teknologi dan Ilmu Komputer Prima sebagai media publikasi pertama atas karya dimaksud.
  • Penulis dapat dan diharapkan untuk mengumumkan karyanya secara online (misalnya pada Repositori atau pada laman Organisai/Institusinya) sejak sebelum dan selama proses pengumpulan naskah, sebab upaya tersebut dapat meningkatkan pertukaran citasi lebih awal dan dengan cakupan yang lebih luas.