Analisis Sentimen Ulasan Herborist Sistem Pengambilan Keputusan Menggunakan Klasifikasi Neighbor dan TF-ID
Abstract
Penggunaan teknologi dalam analisis sentimen terhadap ulasan produk telah menjadi fokus penelitian yang signifikan dalam beberapa tahun terakhir. Penelitian ini bertujuan untuk menganalisis sentimen ulasan produk Herborist menggunakan pendekatan klasifikasi Neighbor dan TF-ID sebagai sistem pengambilan keputusan. Analisis opini konsumen untuk menghasilkan wawasan baru tentang persepsi pengguna terhadap produk skincare Herborist, memberikan kontribusi unik pada bidang analisis sentimen di industri kecantikan. Analisis sentimen menggunakan algoritma K-Neighbor dapatmengklasifikasikan opini berdasarkan kedekatan fitur dengan data terlatih untuk menghasilkan sentimen positif atau negatif. Metode ini memungkinkan untuk menggali pola sentimen dari ulasan konsumen secara efektif. Penelitian ini di awali dengan crawling data dan menghasilkan 1006 data yang akan di proses dalam perhitungan dengan Ms.excel lalu melanjutkan proses dengan menggunakan Bahasa pemrograman Phyton dengan aplikasi google collabs, dibantu dengan library sastrawi. Nilai K yang digunakan adalah 5 Penelitian ini mencakup pengukuran performa (akurasi, presisi,recall dan f-measure) metode KNN dengan berbagai macam nilai K pada objek 1006 data ulasan minyak zaitun herborist. Dapat disimpulkan nilai performa paling baik pada K=5, Dimana tingkat akurasi mencapai 96%, presisi 97%, recall 1.00, dan F-Measure sebesar 99%.
The use of technology in sentiment analysis of product reviews has been a significant research focus in recent years. This research aims to analyze the sentiment of Herborist product reviews using the Neighbor classification approach and TF-ID as a decision making system. Consumer opinion analysis to generate new insights into user perceptions of Herborist skincare products, providing a unique contribution to the field of sentiment analysis in the beauty industry. Sentiment analysis using the K-Neighbor algorithm can classify opinions based on the proximity of features to the trained data to produce positive or negative sentiment. This method makes it possible to mine sentiment patterns from consumer reviews effectively. This research began with data crawling and produced 1006 data which would be processed in calculations with Ms. Excel and then continued the process using the Python programming language with the Google Collabs application, assisted by the literary library. The K value used is 5. This research includes performance measurements (accuracy, precision, recall and f-measure) of the KNN method with various K values on 1006 herborist olive oil review data objects. It can be concluded that the best performance value is at K=5, where the accuracy level reaches 96%, precision 97%, recall 1.00, and F-Measure of 99%
Full Text:
PDF (Bahasa Indonesia)References
Adzhan, W., & Yusup, D. (2022). Implementasi Metode K-Nearest Neighbor Dalam Menganalisis Sentimen Terhadap Penyedia Jasa Layanan Internet First Media. Jurnal Ilmiah Wahana Pendidikan, 8(16), 594–602. https://doi.org/10.5281/zenodo.7068128
Amalia, A. (2021). ANALISIS ALGORITMA K-NEAREST NEIGHBOR TERHADAP SENTIMEN PENGGUNA APLIKASI SHOPEE. Jurnal Informatika Terpadu, 7(1), 21–26. https://journal.nurulfikri.ac.id/index.php/JIT
Ernawati, S., & Wati, R. (2018). Penerapan Algoritma K-Nearest Neighbors Pada Analisis Sentimen Review Agen Travel. Jurnal Khatulistiwa Informatika, 6(1), 64–69.
Furqan, M., Sriani, S., & Sari, S. M. (2022). Analisis Sentimen Menggunakan K-Nearest Neighbor Terhadap New Normal Masa Covid-19 Di Indonesia. Techno.Com, 21(1), 51–60. https://doi.org/10.33633/tc.v21i1.5446
Kosasih, R., & Alberto, A. (2021). Analisis Sentimen Produk Permainan menggunakan Metode TF-IDF dan Algoritma K-Nearest Neighbor. InfoTekJar : Jurnal Nasional Informatika Dan Teknologi Jaringan, 6(1), 134–139. https://jurnal.uisu.ac.id/index.php/infotekjar/article/view/3893
Legito, L., Riau, N. P., Putro, A. N. S., Mardiani, E., Arifin, N. Y., Sepriano, S., & Erkamim, M. (2023). Penerapan Algoritma K-Nearest Neighbor untuk Analisis Sentimen Terhadap Isu Khilafah dan Radikalisme di Indonesia. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 3(2), 324–330. https://doi.org/10.57152/malcom.v3i2.893
Leidiyana, H. (2013). Penerapan Algoritma K-Nearest Neighbor Untuk Penentuan Resiko Kredit Kepemilikan Kendaraan Bermotor. Jurnal Penelitian Ilmu Komputer, System Embedded & Logic, 1(1), 65–76.
Nurjanah, W. E., Setya Perdana, R., & Fauzi, M. A. (2017). Analisis sentimen terhadap tayangan televisi berdasarkan opini masyarakat pada media sosial twitter menggunakan metode k-kearest neighbor dan pembobotan jumlah retweet. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 1(12), 1750–1757. http://j-ptiik.ub.ac.id
Pandegani, D. (2023). Analisis Sentimen Algoritma K-Nearst Neighbor (Knn) Pada Ulasan Google Play Aplikasi Tokopedia. http://repository.unas.ac.id/id/eprint/8658%0Ahttp://repository.unas.ac.id/8658/2/BAB II.pdf
Putri Fitrianti, R., Kurniawati, A., Agusten, D., Sistem Informasi, J., & Ilmu Komputer dan Teknologi Informasi, F. (2019). A-27 Implementasi Algoritma K-Nearest Neighbor Terhadap Analisis Sentimen Review Restoran Dengan Teks Bahasa Indonesia. Seminar Nasional Aplikasi Teknologi Informasi (SNATi), 1907–5022.
Rahayu, S., MZ, Y., Bororing, J. E., & Hadiyat, R. (2022). Implementasi Metode K-Nearest Neighbor (K-NN) untuk Analisis Sentimen Kepuasan Pengguna Aplikasi Teknologi Finansial FLIP. Edumatic: Jurnal Pendidikan Informatika, 6(1), 98–106. https://doi.org/10.29408/edumatic.v6i1.5433
Ramadhan, F. W. (2019). Analisis Sentimen Komentar Warganet Terhadap Layanan It Pada Bank Mandiri Menggunakan Algoritma K-Nearest Neighbor (K-Nn) Berdasarkan Kriteria Itsm.
Sutrisno, E. P., & Amini, S. (2023). Implementasi Algoritma K-Nearest Neighbor Pada Analisis Sentimen Ulasan Pengguna Aplikasi Digital Korlantas Polri. Prosiding Seminar Nasional Mahasiswa Fakultas Teknologi Informasi (SENAFTI), 2(2), 687–695.
Tanggu Mara, A., Sediyono, E., & Purnomo, H. (2021). Penerapan Algoritma K-Nearest Neighbors Pada Analisis Sentimen Metode Pembelajaran Dalam Jaringan (DARING) Di Universitas Kristen Wira Wacana Sumba. Jointer - Journal of Informatics Engineering, 2(01), 24–31. https://doi.org/10.53682/jointer.v2i01.30
Yoga Pratama, A., Umaidah, Y., Voutama, A., Informatika, T., Ilmu Komputer, F., Singaperbangsa Karawang Ds Paseurjaya, U., Telukjambe Timur, K., Karawang, K., & Barat, J. (2021). Analisis Sentimen Media Sosial Twitter Dengan Algoritma K-Nearest Neighbor Dan Seleksi Fitur Chi-Square (Kasus Omnibus Law Cipta Kerja). Jurnal Sains Komputer & Informatika (J-SAKTI, 5(2), 897–910.
DOI: https://doi.org/10.31294/swabumi.v12i2.22189
INDEXING
P-ISSN : 2355-990X E-ISSN: 2549-5178
