Analisis Klasifikasi Sentimen Berbasis Topik pada Ulasan Layanan Dana dan Sakuku dengan Convolutional Neural Network

Arif Alfin Achmad; Kurniasari Iin; Yanuartanti Iska

doi:10.37424/informasi.v15i2.267

Arif Alfin Achmad Universitas Islam Kadiri - Kediri
Kurniasari Iin Universitas Islam Kadiri - Kediri
Yanuartanti Iska Universitas Islam Kadiri - Kediri

DOI: https://doi.org/10.37424/informasi.v15i2.267

Keywords: Big Data, Convolutional Neural Network, Machine Learning, Sentiment Analysing

Abstract

Penelitian terkait text mining, khususnya pada bidang analisis sentimen menjadi sangat populer di era big data. Analisis sentimen memungkinkan seseorang dalam menemukan polaritas dari suatu bank data dan mengklasifikasikan menjadi beberapa bagian. Pada penelitian ini penulis ingin melakukan analisis sentimen terkait ulasan pengguna pada layanan dompet digital Dana dan Sakuku. Peneliti mencoba melakukan pendekatan klasifikasi secara semantik untuk dapat membedakan ulasan positif dan negatif pada kedua layanan dompet digital tersebut menggunakan salah satu algoritma yang popular pada Deep Learning, yaitu Convolutional Neural Network. Tahapan yang dilakukan dalam melakukan analisis ini adalah prepocessing, pengolahan data, klasifikasi dan evaluasi. Hasil dari analisis sentiment ini menunjukkan bahwa pengguna Twitter di Indonesia cenderung memberikan komentar negatif pada kedua platform dompet digital tersebut dengan presentase 66% untuk Dana dan 73% untuk Sakuku. Sedangkan nilai akurasi yang diperoleh pada penelitian ini sebesar 81% dari data pengujian menggunakan algoritma Convolutional Neural Network.

References

Asri, Yessy, Widya Nita Suliyanti, Dwina Kuswardani, and Muhamad Fajri. 2022. “Pelabelan Otomatis Lexicon Vader Dan Klasifikasi Naive Bayes Dalam Menganalisis Sentimen Data Ulasan PLN Mobile.” PETIR 15(2):264–75. doi: 10.33322/petir.v15i2.1733.

Fathiyah Wardah. 2018. “Ekonom: Pembangunan Infrastruktur Dorong Pertumbuhan Ekonomi.”

Fitri, Veny Amilia, Rachmadita Andreswari, and Muhammad Azani Hasibuan. 2019. “Sentiment Analysis of Social Media Twitter with Case of Anti-LGBT Campaign in Indonesia Using Naïve Bayes, Decision Tree, and Random Forest Algorithm.” Procedia Computer Science 161:765–72. doi: 10.1016/j.procs.2019.11.181.

Irawan, Andri. 2019. “Kualitas Pelayanan PT. Pertamina (Persero) Dalam Penyaluran Bahan Bakar Minyak (BBM) Di Kabupaten Merauke.” Madani 2.

Khatami, Faiz Adil, Budi Irawan, and Casi Setianingsih. 2020. “Analisis Sentimen Terhadap Review Aplikasi E-Commerce Menggunakan Metode Convolutional Neural Network.” EProceedings of Engineering 7(2):1–8.

Li, Wei, Luyao Zhu, Yong Shi, Kun Guo, and Erik Cambria. 2020. “User Reviews: Sentiment Analysis Using Lexicon Integrated Two-Channel CNN–LSTM Family Models.” Applied Soft Computing 94:106435. doi: 10.1016/j.asoc.2020.106435.

Masturoh, Siti, and Achmad Baroqah Pohan. 2021. “ANALISIS SENTIMEN TER-HADAP E-WALLET DANA PADA ULASAN GOOGLE PLAY MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR.” Jurnal Pilar Nusa Mandiri 17(1):53–58. doi: 10.33480/pilar.v17i1.2182.

Mulyo, Budi M., and Dwi H. Widyantoro. 2018. “Aspect-Based Sentiment Analysis Approach with CNN.” Pp. 142–47 in 2018 5th International Conference on Elec-trical Engineering, Computer Science and Informatics (EECSI). IEEE.

Nasichuddin, Moch. Ari, Teguh Bharata Adji, and Widyawan Widyawan. 2018. “Per-formance Improvement Using CNN for Sentiment Analysis.” IJITEE (Interna-tional Journal of Information Technology and Electrical Engineering) 2(1). doi: 10.22146/ijitee.36642.

Prayoginingsih, Sila, and Renny Pradina Kusumawardani. 2018. “Klasifikasi Data Twitter Pelanggan Berdasarkan Kategori MyTelkomsel Menggunakan Metode Support Vector Machine (SVM).” Sisfo 07(02). doi: 10.24089/j.sisfo.2018.01.002.

Ramadhan Triwijanarko. 2019. “Riset: Shopee Jadi Platform e-Commerce Nomor Satu Di Indonesia.”

Rhanoui, Maryem, Mounia Mikram, Siham Yousfi, and Soukaina Barzali. 2019. “A CNN-BiLSTM Model for Document-Level Sentiment Analysis.” Machine Learning and Knowledge Extraction 1(3):832–47. doi: 10.3390/make1030048.