Klasifikasi Keluhan Masyarakat pada Sosial Media Twitter terhadap Pelayanan Toko Online di Indonesia menggunakan Metode Cosine TF-IDF
Abstract
Abstrak: Berkembangnya toko online dan transaksi online di Indonesia pada saat ini diiringidengan berbagai permasalahan seperti keluhan pada pelayanan yang membahas mengenaiaplikasi, ketanggapan dan pengiriman. Dengan adanya permasalahan tersebut, perhitunganserta penilaian keluhan yang sering didapatkan oleh masing-masing toko online sangatdiperlukan. Dengan memanfaatkan tweet masyarakat yang ditujukan kepada toko online, datatweet tersebut akan diklasifikasikan ke dalam kategori pelayanan yang telah ditentukan.Pengolahan data berupa tweet membutuhkan proses preprocessing yaitu proses untukmendapatkan keyword dari data tweet yang telah didapatkan, proses preprocessing memilikitahapan seperti tokenizing, filtering dan stemming. Keyword yang telah didapatkan diolah untukmendapatkan nilai hasil klasifikasi yang didapatkan. Proses klasifikasi kategori pelayanan padapenelitian ini menggunakan metode Cosine TF-IDF dimana metode tersebut membutuhkanbobot dan dokumen pada setiap kategori. Metode yang dikembangkan telah diaplikasikan padapenelitian ini menghasilkan prosentase proses klasifikasi kategori pelayanan menggunakanmetode Cosine TF-IDF sebesar 63.1%.Kata kunci: analisis sentimen, klasifikasi, rule based classifier, cosine similarity, TF-IDF
Abstract: The development of online stores and online transactions in Indonesia at this time isaccompanied by various problems such as complaints on services that discuss applications,responsiveness and delivery. With these problems, the calculation and assessment ofcomplaints that are often obtained by each online store is very necessary. By utilizingcommunity tweets aimed at online stores, the tweet data will be classified into predeterminedservice categories. Data processing in the form of tweets requires a preprocessing process,namely the process of getting keywords from the data tweets that have been obtained, thepreprocessing process has stages such as tokenizing, filtering and stemming. The keywordsthat have been obtained are processed to obtain the classification results obtained. The servicecategory classification process in this study uses the Cosine TF-IDF method where the methodrequires weights and documents in each category. The method developed has been applied inthis study to produce a percentage of the service category classification process using theCosine TF-IDF method of 63.1%.
Keywords: sentiment analysis, classification, rule based classifier, cosine similarity, TF-IDF
References
[1] R. Habibi, D. B. Setyohadi, and E. Wati, “Analisis Sentimen Pada Twitter Mahasiswa Menggunakan Metode Backpropagation,†J. Inform., vol. 12, no. 1, pp. 103–109, 2016.
[2] D. N. Pratiwi, “Kepercayaan Mahasiswa Jurusan Ilmu Komunikasi Universitas Muhammadiyah Yogyakarta terhadap Situs Belanja Online Bukalapak.com, Elevenia.co.id dan Tokopedia.com,†Skripsi UMY, vol. 3, no. 1, p. 56, 2016.
[3] Gunawan, H. S. Pratiwi, and E. E. Pratama, “Sistem Analisis Sentimen pada Ulasan Produk Menggunakan Metode Naive Bayesitle,†J. Edukasi dan Penelit. Inform., vol. 4, no. 2, p. 113, 2018.
[4] A. P. Syah, Adiwijaya, and S. Al Faraby, “Analisis Sentimen Pada Data Ulasan Produk Toko Online Dengan Metode Maximum Entropy,†in e-Proceeding of Engineering, 2017, pp. 4632–4640.
[5] S. Gusriani, K. D. K. Wardhani, and M. I. Zul, “Analisis Sentimen Terhadap Toko Online di Sosial Media Menggunakan Metode Klasifikasi Naïve Bayes (Studi Kasus: Facebook Page BerryBenka),†in 4th Applied Business and Engineering Conference, 2016, pp. 1–7.
[6] D. R. Lazuardi, “Analisis Sentimen Untuk Mengetahui Persepsi Kualitas Merek Menggunakan Text Mining Dan Social Network Analysis Pada Konten Percakapan Di Media Sosial Twitter,†e-Proceeding Eng., pp. 1–9, 2014.
[7] V. Amrizal, “Penerapan Metode Term Frequency Inverse Document Frequency (Tf-Idf) Dan Cosine Similarity Pada Sistem Temu Kembali Informasi Untuk Mengetahui Syarah Hadits Berbasis Web (Studi Kasus: Hadits Shahih Bukhari-Muslim),†J. Tek. Inform., vol. 11, no. 2, pp. 149–164, 2018.
[8] H. A. Vidyastuti, “Analisis Perbandingan mengenai e-Commerce berdasarkan persepsi Online User dan Online Shopper,†STIE Ekuitas, pp. 1–14, 2014.
[9] M. H. Adnan, W. Maharani, and A. Herdiani, “Analisis Klasifikasi Sentimen dan Peringkasan pada Review Produk Menggunakan Metode Unsupervised,†e-Proceeding Eng., pp. 35–44, 2016.
[10] D. A. Prasidya, “Analisis Sentimen berdasarkan Aspek Pada Review Restoran Menggunakan Bayesian Networks Untuk Dokumen Berbahasa Inggris,†in Indonesia Symposium on Computing (IndoSC), 2016, pp. 307–318.
[11] M. N. Ardhiansyah, R. Umar, and Sunardi, “Analisis Sentimen pada Twitter menggunakan Metode Support Vector Machine,†in Prosiding Semnastek, 2019, pp. 739–742.
[12] M. Rizal, “Analisis Sentimen Pengguna Twitter terhadap Objek Pariwisata di Indonesia Menggunakan Algoritma Pengolahan Deep Natural Language dari IBM Insights untuk Twitter,†Skripsi Univ. Islam Negeri Alauddin Makassar, 2017.
[13] A. B. T. I. Wahyudi, W. Maharani, “Analisis Sentimen terhadap Produk di Twitter menggunakan Metode Support Vektor Machine,†e-Proceeding Eng., pp. 1–6, 2012.
[14] I. F. Rozi, “Implementasi Rule-Based Document Subjectivity Pada Sistem Opinion Mining,†J. ELTEK, vol. 11, no. 1, pp. 29–41, 2013.
[2] D. N. Pratiwi, “Kepercayaan Mahasiswa Jurusan Ilmu Komunikasi Universitas Muhammadiyah Yogyakarta terhadap Situs Belanja Online Bukalapak.com, Elevenia.co.id dan Tokopedia.com,†Skripsi UMY, vol. 3, no. 1, p. 56, 2016.
[3] Gunawan, H. S. Pratiwi, and E. E. Pratama, “Sistem Analisis Sentimen pada Ulasan Produk Menggunakan Metode Naive Bayesitle,†J. Edukasi dan Penelit. Inform., vol. 4, no. 2, p. 113, 2018.
[4] A. P. Syah, Adiwijaya, and S. Al Faraby, “Analisis Sentimen Pada Data Ulasan Produk Toko Online Dengan Metode Maximum Entropy,†in e-Proceeding of Engineering, 2017, pp. 4632–4640.
[5] S. Gusriani, K. D. K. Wardhani, and M. I. Zul, “Analisis Sentimen Terhadap Toko Online di Sosial Media Menggunakan Metode Klasifikasi Naïve Bayes (Studi Kasus: Facebook Page BerryBenka),†in 4th Applied Business and Engineering Conference, 2016, pp. 1–7.
[6] D. R. Lazuardi, “Analisis Sentimen Untuk Mengetahui Persepsi Kualitas Merek Menggunakan Text Mining Dan Social Network Analysis Pada Konten Percakapan Di Media Sosial Twitter,†e-Proceeding Eng., pp. 1–9, 2014.
[7] V. Amrizal, “Penerapan Metode Term Frequency Inverse Document Frequency (Tf-Idf) Dan Cosine Similarity Pada Sistem Temu Kembali Informasi Untuk Mengetahui Syarah Hadits Berbasis Web (Studi Kasus: Hadits Shahih Bukhari-Muslim),†J. Tek. Inform., vol. 11, no. 2, pp. 149–164, 2018.
[8] H. A. Vidyastuti, “Analisis Perbandingan mengenai e-Commerce berdasarkan persepsi Online User dan Online Shopper,†STIE Ekuitas, pp. 1–14, 2014.
[9] M. H. Adnan, W. Maharani, and A. Herdiani, “Analisis Klasifikasi Sentimen dan Peringkasan pada Review Produk Menggunakan Metode Unsupervised,†e-Proceeding Eng., pp. 35–44, 2016.
[10] D. A. Prasidya, “Analisis Sentimen berdasarkan Aspek Pada Review Restoran Menggunakan Bayesian Networks Untuk Dokumen Berbahasa Inggris,†in Indonesia Symposium on Computing (IndoSC), 2016, pp. 307–318.
[11] M. N. Ardhiansyah, R. Umar, and Sunardi, “Analisis Sentimen pada Twitter menggunakan Metode Support Vector Machine,†in Prosiding Semnastek, 2019, pp. 739–742.
[12] M. Rizal, “Analisis Sentimen Pengguna Twitter terhadap Objek Pariwisata di Indonesia Menggunakan Algoritma Pengolahan Deep Natural Language dari IBM Insights untuk Twitter,†Skripsi Univ. Islam Negeri Alauddin Makassar, 2017.
[13] A. B. T. I. Wahyudi, W. Maharani, “Analisis Sentimen terhadap Produk di Twitter menggunakan Metode Support Vektor Machine,†e-Proceeding Eng., pp. 1–6, 2012.
[14] I. F. Rozi, “Implementasi Rule-Based Document Subjectivity Pada Sistem Opinion Mining,†J. ELTEK, vol. 11, no. 1, pp. 29–41, 2013.
Published
2020-06-28
How to Cite
SYARIF, Iwan; ASMARA, Rengga; RUSMAYANI, Nur Ulima.
Klasifikasi Keluhan Masyarakat pada Sosial Media Twitter terhadap Pelayanan Toko Online di Indonesia menggunakan Metode Cosine TF-IDF.
BINA INSANI ICT JOURNAL, [S.l.], v. 7, n. 1, p. 33-42, june 2020.
ISSN 2527-9777.
Available at: <https://101.255.92.196/index.php/BIICT/article/view/1334>. Date accessed: 21 nov. 2024.
doi: https://doi.org/10.51211/biict.v7i1.1334.
Section
Articles
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
