Analisis Sentimen Ulasan Pengguna Aplikasi Video Conference Google Meet menggunakan Metode SVM dan Logistic Regression
Article Sidebar
Main Article Content
Abstract
Pandemi Covid-19 yang telah ditetapkan sebagai bencana nasional menyebabkan kelumpuhan pada beberapa bidang. Pelajar maupun mahasiswa serta pekerja yang biasa menjalankan aktivitas secara luring saat ini terhenti karena larangan dari pemerintah dengan mengeluarkan kebijakan baru yaitu Pembatasan Sosial Berskala Besar (PSBB) atau Pemberlakuan Pembatasan Kegiatan Masyarakat (PPKM) yang bertujuan untuk memutus rantai penyebaran virus covid-19. Hal ini membuat aplikasi Meeting Online banyak digunakan. Namun pada dasarnya setiap aplikasi memiliki kekurangan dan kelebihan, hal tersebut dapat memberikan respon tanggapan yang beragam dari pengguna. Kolom komentar review pada Google Play menjadi tempat pengguna memberikan tanggapan terhadap aplikasi. Pada penelitian ini dilakukan analisis sentimen data ulasan pengguna aplikasi Google Meet dengan algoritma machine learningyang bertujuan menggolongkan data ulasan dalam bentuk sentimen positif atau negatif. Metode klasifikasi yang digunakan adalah Support Vector Machine dan Logistic Regressiondengan 4 kernel SVM yaitu Linear, Radial Basis Function (RBF), Sigmoid dan Polynomial. Nilai akurasi yang didapatkan pada data ulasan aplikasi Google Meet untuk masing-masing kernel berturut-turut adalah 87,02%, 84,59%, 86,63% dan 71,12%, sementara untuk metode Logistic Regression sebesar 85,17%. Diperoleh kesimpulan bahwa algoritma terbaik dengan akurasi tertinggi adalah algoritma SVM dengan kernel Linearyaitu sebesar 87,02%.
Article Details
References
Herlinawati, N., Yuliani, Y., Faizah, S., Gata, W., & Samudi, S. (2020). Analisis Sentimen Zoom Cloud Meetings di Play Store Menggunakan Naïve Bayes dan Support Vector Machine. CESS (Journal of Computer Engineering, System and Science), 5, 293. https://doi.org/10.24114/cess.v5i2.18186
Kunarso, K., & Sumaryanto, A. D. (2020). Eksistensi Perjanjian Ditengah Pandemi Covid-19. Batulis Civil Law Review, 1(1), 33. https://doi.org/10.47268/ballrev.v1i1.423
Nindito, H. (2016). TEORI TEXT MINING DAN WEB MINING. https://sis.binus.ac.id/2016/12/15/teori-text-mining-dan-web-mining/
Nugroho, A. S., Witarto, A. B., & Handoko, D. (2003). Support vector machine. Proceeding Indones. Sci. Meeiting Cent. Japan.
Pamungkas, F. S., & Kharisudin, I. (2021). Analisis Sentimen dengan SVM, NAIVE BAYES dan KNN untuk Studi Tanggapan Masyarakat Indonesia Terhadap Pandemi Covid-19 pada Media Sosial Twitter. PRISMA, Prosiding Seminar Nasional Matematika, 4, 628–634.
Ramli, Yuniarti, D., & Goejantoro, R. (2013). Perbandingan Metode Klasifikasi Regresi Logistik Dengan Jaringan Saraf Tiruan ( Studi Kasus : Pemilihan Jurusan Bahasa dan IPS pada SMAN 2 Samarinda Tahun Ajaran Comparison of Classification Methods Between Logistic Regression and Artificial Neural Networ. Jurnal Eksponensial, 4(1), 17–24.
Septian, J. A., Fachrudin, T. M., & Nugroho, A. (2019). Analisis Sentimen Pengguna Twitter Terhadap Polemik Persepakbolaan Indonesia Menggunakan Pembobotan TF-IDF dan K-Nearest Neighbor. Journal of Intelligent System and Computation, 1(1), 43–49.