Sentiment Analysis Komentar Youtube Samsung S20 Menggunakan Metode Majority Vote Samsung S20 Youtube Comments Sentiment Analysis Using Majority Vote Method
Abstract
Samsung S20 merupakan flagship keluar Samsung, meskipun Samsung Galaxy S20 hadir dengan banyak fitur, namun informasi tentang tingkat penerimaan konsumen terhadap produk ini tetap dibutuhkan. Dalam penelitian ini, penulis akan melakukan analisis sentimen berdasarkan komentar yang terdapat dalam YouTube review Samsung S20, dengan menerapkan proses text mining Majority vote yang terdiri dari perbandingan metode Support Vector Machine, K-Nearest Neighbors, dan Naïve Bayes, untuk mengklasifikasikan apakah teks termasuk dalam sentimen positif, negatif dan netral. Data diklasifikasikan secara manual dengan mengelompokkan menjadi kelas sentimen positif, negatif dan netral kemudian secara otomatis data latih akan mengambil beberapa data untuk data uji dan menguji kemampuan sistem. Hasil yang didapatkan dari penelitian ini adalah dengan menggunakan Majority vote mendapatkan nilai akurasi 0.8 dengan menggunakan 100 data dan mendapatkan nilai akurasi 0.48 dengan menggunakan 50 data uji.
Keywords: Samsung S20, YouTube, text mining, Majority Vote
Full Text:
PDFReferences
Alif, F. Z. (2020). Ekstraksi Fitur untuk Pemilihan Topik Spesifik Review Film dalam Menghasilkan Aspect-Based Sentiment Analysis.pdf. Institusi USU, Universitas Sumatera Utara.
Balya. (2019). Analisis Sentimen Pengguna Youtube di Indonesia pada Review Smartphone Menggunakan Naïve Bayes.
Dedi Ary Prasetya, I. N. (2012). Deteksi wajah metode viola jones pada opencv menggunakan pemrograman python. Simposium Nasional RAPI XI FT UMS, 18–23.
Diaz, M., & Rangkuti, E. (2020). Analisis topik komentar video beberapa akun youtube e-commerce indonesia menggunakan metode latent dirichlet allocation.
Ernawati, S., & Wati, R. (2018). Penerapan Algoritma K-Nearest Neighbors Pada Analisis Sentimen Review Agen Travel. Jurnal Khatulistiwa Informatika, VI(1), 64–69. https://ejournal.bsi.ac.id/ejurnal/index.php/khatulistiwa/article/view/3802/2626.
Harismawan, A. F., Kharisma, A. P., & Afirianto, T. (2018). Analisis Perbandingan Performa Web Service Menggunakan Bahasa Pemrograman Python , PHP , dan Perl pada Client Berbasis Android. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, 2(January), 237–245. http://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/781
Hustinawaty, Dwiputra, R. A. A., & Rumambi, T. (2019). Public Sentiment Analysis of Pasar Lama Tangerang Using K-Nearest Neighbor Method and Programming Language R. Jurnal Ilmiah Informatika Komputer, 24(2), 129–133. https://doi.org/10.35760/ik.2019.v24i2.2367
Julia, W. (2018). Klasifikasi Pembiayaan Warung Mikro Menggunakan Metode Random Forest Dengan Teknik Sampling Kelas Imbalanced. Высшей Нервной Деятельности, 2, 227–249.
KBBI. (2016). Kamus Besar Bahasa Indonesia ( KBBI ). In Kementerian Pendidikan dan Budaya.
Kurniawan, I., & Susanto, A. (2019). Implementasi Metode K-Means dan Naïve Bayes Classifier untuk Analisis Sentimen Pemilihan Presiden (Pilpres) 2019. Eksplora Informatika, 9(1), 1–10. https://doi.org/10.30864/eksplora.v9i1.237
Loper, E., & Bird, S. (2002). NLTK: The Natural Language Toolkit. July, 69–72. https://doi.org/10.3115/1225403.1225421
Maisarah, M. A. (2020). Sistem Analisis Sentimen pada Fanpage Facebook Kandidat Presiden 2019-2024.
Næs, T., Lengard, V., Bølling Johansen, S., & Hersleth, M. (2010). Alternative methods for combining design variables and consumer preference with information about attitudes and demographics in conjoint analysis. Food Quality and Preference, 21(4), 368–378. https://doi.org/10.1016/j.foodqual.2009.09.004
Nurjanah, W. E., Perdana, R. S., & Fauzi, M. A. (2017). Analisis Sentimen Terhadap Tayangan Televisi Berdasarkan Opini Masyarakat pada Media Sosial Twitter menggunakan Metode K-Nearest Neighbor dan Pembobotan Jumlah Retweet. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, 1(12), 1750–1757. https://doi.org/10.1074/jbc.M209498200
Onantya, I. D., Indriati, & Adikara, P. P. (2019). Analisis Sentimen Pada Ulasan Aplikasi BCA Mobile Menggunakan BM25 Dan Improved K-Nearest Neighbor. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 3(3), 2575–2580.
Rintyarna, B. S. (2016). Sentiment Analysis pada Data Twitter dengan Pendekatan Naïve Bayes Multinomial. 1–6.
Rosdiansyah, D. (2014). Analisis Sentimen Twitter Menggunakan Metode K-Nearest Neighbor dan Pendekatan Lexicone. Tugas Akhir Jurusan Teknik Informatika, 1–15.
Shi, H. X., & Li, X. J. (2011). A sentiment analysis model for hotel reviews based on supervised learning. Proceedings - International Conference on Machine Learning and Cybernetics, 3, 950–954. https://doi.org/10.1109/ICMLC.2011.6016866
Sipayung, E. M., Maharani, H., & Zefanya, I. (2016). Perancangan Sistem Analisis Sentimen Komentar Pelanggan Menggunakan Metode Naive Bayes Classifier. Jurnal Sistem Informasi, 8(1), 958–965.
Tanesab, F. I., Sembiring, I., & Purnomo, H. D. (2017). Sentiment Analysis Model Based On Youtube Comment Using Support Vector Machine. International Journal of Computer Science and Software Engineering (IJCSSE), 6(8), 180–185. http://ijcsse.org/published/volume6/issue8/p2-V6I8.pdf
Wibowo, A. P., & Jumiati, E. (2018). Sentiment Analysis Masyarakat Pekalongan Terhadap Pembangunan Jalan Tol Pemalang-Batang Di Media Sosial. IC-Tech, XIII(0285), 42–48.
Zamahsyari, & Nurwidyantoro, A. (2017). Sentiment analysis of economic news in Bahasa Indonesia using majority vote classifier. Proceedings of 2016 International Conference on Data and Software Engineering, ICoDSE 2016. https://doi.org/10.1109/ICODSE.2016.7936123
Zulfikar, W. B., & Lukman, N. (2016). Perbandingan Naive Bayes Classifier Dengan Nearest Neighbor Untuk Identifikasi Penyakit Mata. Jurnal Online Informatika, 1(2), 82–86. https://doi.org/10.15575/join.v1i2.33
Refbacks
- There are currently no refbacks.
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.