Perbandingan Algoritma Klasifikasi Support Vector Machine, Random Forest dan Logistic Regression Pada Ulasan Shopee
Abstract
Abstrak− Dengan kemajuan teknologi, penggunaan internet semakin meluas di Indonesia dan turut mendorong perkembangan e-commerce. Namun, masih terdapat beberapa permasalahan yang perlu diselesaikan, salah satunya adalah kurangnya kepercayaan konsumen terhadap platform e-commerce. Oleh karena itu, penelitian tentang platform e-commerce seperti Shopee perlu dilakukan untuk memahami arah sentimen pengguna. Analisis sentimen digunakan untuk mengklasifikasikan sentimen ulasan pengguna Shopee. Penelitian ini bertujuan untuk membandingkan performa algoritma klasifikasi berdasarkan proses data mining menggunakan CRISP-DM. Algoritma klasifikasi yang digunakan adalah Support Vector Machine (SVM), Random Forest, dan Logistic Regression. Pengujian menggunakan 3.000 data, dengan 90% data training dan 10% data testing. Hasil pelabelan data menunjukkan bahwa sentimen positif berjumlah 307, sentimen netral 2.537, dan sentimen negatif 156. Hasil pengujian akurasi menggunakan confusion matrix menunjukkan bahwa algoritma Random Forest memiliki akurasi tertinggi sebesar 94%, diikuti oleh Support Vector Machine (SVM) sebesar 91%, dan Logistic Regression sebesar 86%. Penelitian ini berhasil mendapatkan algoritma yang efektif dan terbaik dalam mengklasifikasikan sentimen ulasan positif, sentimen ulasan netral, dan sentimen ulasan negatif terkait dengan aplikasi Shopee. Hasil dari algoritma terbaik tersebut akan diintegrasikan dalam antarmuka web menggunakan bahasa pemrograman PHP dan Python, untuk mengetahui arah sentimen yang akan dimasukan di masa mendatang.
Kata Kunci: e-commerce, sentimen pengguna, analisis sentimen, algoritma klasifikasi, shopee.
Full Text:
PDFReferences
Detika Yossy Pramesti, Sri Widyastuti, and Dian Riskarini, “Pengaruh Kualitas Pelayanan, Keragaman Produk, Dan Promosi E-Commerce Terhadap Kepuasan Konsumen Shopee,” JIMP J. Ilm. Manaj. Pancasila, vol. 1, no. 1, pp. 27–39, 2021, doi: 10.35814/jimp.v1i1.2065.
A. S. Widagdo, B. S. W. A, and A. Nasiri, “Analisis Tingkat Kepopuleran E-Commerce di Indonesia Berdasarkan Sentimen Sosial Media Menggunakan Metode Naive Bayes,” J. Inf., vol. 6, pp. 1–5, 2020.
T. P. R. Sanjaya, A. Fauzi, and A. F. N. Masruriyah, “Analisis sentimen ulasan pada e-commerce shopee menggunakan algoritma naive bayes dan support vector machine,” INFOTECH J. Inform. Teknol., vol. 4, no. 1, pp. 16–26, 2023, doi: 10.37373/infotech.v4i1.422.
A. C. . Nurhaliza, D. H. Citra, W. Purnama, and R. A. Kurnia, “The Implementation of Naïve Bayes Algorithm for Sentiment Analysis of Shopee Reviews on Google Play Store,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 2, no. April, pp. 47–54, 2022.
Y. Pratama, D. T. Murdiansyah, and K. M. Lhaksmana, “Analisis Sentimen Kendaraan Listrik Pada Media Sosial Twitter Menggunakan Algoritma Logistic Regression dan Principal Component Analysis,” J. Media Inform. Budidarma, vol. 7, no. 1, pp. 529–535, 2023, doi: 10.30865/mib.v7i1.5575.
T. A.M and A. Yaqin, “Perbandingan Algoritma Naïve Bayes, K-Nearest Neighbors dan Random Forest untuk Klasifikasi Sentimen Terhadap BPJS Kesehatan pada Media Twitter,” InComTech J. Telekomun. dan Komput., vol. 12, no. 1, p. 01, 2022, doi: 10.22441/incomtech.v12i1.13642.
N. Herlinawati, Y. Yuliani, S. Faizah, W. Gata, and S. Samudi, “Analisis Sentimen Zoom Cloud Meetings di Play Store Menggunakan Naïve Bayes dan Support Vector Machine,” CESS (Journal Comput. Eng. Syst. Sci., vol. 5, no. 2, p. 293, 2020, doi: 10.24114/cess.v5i2.18186.
I. R. Afandi, I. F. Hanif, F. N. Hasan, E. Sinduningrum, Z. Halim, and N. Pratiwi, “Analisis Sentimen Opini Masyarakat Terkait Penyelenggaraan Sistem Elektronik Menggunakan Metode Logistic Regression,” J. Linguist. Komputasional, vol. 5, no. 2, pp. 77–84, 2022, [Online]. Available: https://inacl.id/journal/index.php/jlk/article/view/103
A. Baita, Y. Pristyanto, and N. Cahyono, “Analisis Sentimen Mengenai Vaksin Sinovac Menggunakan Algoritma Support Vector Machine (SVM) dan K-Nearest Neighbor (KNN),” Inf. Syst. J., vol. 4, no. 2, pp. 42–46, 2021, [Online]. Available: https://jurnal.amikom.ac.id/index.php/infos/article/view/687
D. Kurniawan and M. Yasir, “Optimization Sentimen Analysis using CRISP-DM and Naive Bayes Methods Implemented on Social Media,” Cybersp. J. Pendidik. Teknol. Inf., vol. 6, no. 2, p. 74, 2022, doi: 10.22373/cj.v6i2.12793.
S. Navisa, Luqman Hakim, and Aulia Nabilah, “Komparasi Algoritma Klasifikasi Genre Musik pada Spotify Menggunakan CRISP-DM,” J. Sist. Cerdas, vol. 4, no. 2, pp. 114–125, 2021, doi: 10.37396/jsc.v4i2.162.
S. F. Pane, A. Owen, and C. Prianto, “Analisis Sentimen UU Omnibus Law pada Twitter Menggunakan Metode Support Vector Machine,” J. Telekomun. dan Komput., vol. 11, no. 2, p. 130, 2021, doi: 10.22441/incomtech.v11i2.10874.
E. Fitri, “Analisis Sentimen Terhadap Aplikasi Ruangguru Menggunakan Algoritma Naive Bayes, Random Forest Dan Support Vector Machine,” J. Transform., vol. 18, no. 1, p. 71, 2020, doi: 10.26623/transformatika.v18i1.2317.
A. B. Wibisono and A. Fahrurozi, “Perbandingan Algoritma Klasifikasi Dalam Pengklasifikasian Data Penyakit Jantung Koroner,” J. Ilm. Teknol. dan Rekayasa, vol. 24, no. 3, pp. 161–170, 2019, doi: 10.35760/tr.2019.v24i3.2393.
DOI: https://doi.org/10.33365/jtk.v18i1.3764
Refbacks
- There are currently no refbacks.
Copyright (c) 2024 Asep Saepudin, Ahmad Faqih, Gifthera Dwilestari
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Jurnal Tekno Kompak
Published by Universitas Teknokrat Indonesia
Organized by Program Studi D3 Sistem Informasi Akuntansi - Universitas Teknokrat Indonesia
Jl. Zainal Abidin Pagaralam, No.9-11, Labuhanratu, Bandarlampung, Indonesia
Telepon : 0721 70 20 22
W : http://ejurnal.teknokrat.ac.id/index.php/teknokompak
E : teknokompak@teknokrat.ac.id.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Jumlah Pengunjung : View Tekno Kompak StatsCounter