Analisis Sentimen Menggunakan Metode Naive Bayes dan Support Vector Machine pada Ulasan Aplikasi Spotify
Abstract
Abstrak-Pergeseran kebiasaan memutar lagu secara digital didukung oleh kemudahan akses yang tersedia di berbagai perangkat, membuat pengguna bisa mendegarkan lagu kapanpun dan dimanapun waktunya. Spotify merupakan platform nomor satu sebagai penyedia jasa musik dan audio gratis dengan hampir 422 juta pengguna aktif dan menguasai 31% pangsa pasar skala global. Dengan banyaknya unduhan yang sudah mencapai satu juta kali, Spotify mendapatkan nilai rating 4.4 dan ulasan oleh para penggunanya. Pengguna diberikan kebebasan untuk mengekspresikan hasil kepuasaan, kritik, dan saran terhadap aplikasi. Ulasan tersebut bisa digunakan sebagai umpan balik untuk perusaahan dalam meningkatkan layanan dan mengembangkan inovasi selanjutnya. Analisis sentimen diperlukan untuk mengolah ulasan menjadi informasi yang bermanfaat dengan melalui beberapa tahapan pembersihan data terlebih dulu. Pembobotan menggunakan TF-IDF dilakukan sebelum masuk kedalam proses klasifikasi menggunakan Naive Bayes dan Support Vector Machine. Nilai F1-Score terbaik didapatkan pada metode SVM kernel RBF dengan nilai C & gamma optimum menghasilkan nilai F1-Score tertinggi sebesar 81% pada dataset ulasan aplikasi Spotify di layanan GooglePlay Store.
Kata kunci-naive bayes, support vector machine, spotify, analisis sentimen, ulasan
References
Way, S. F., Garcia-Gatright, J., & Cramer, H. 2020. Local Trends in Global Music Streaming. Proceedings of the International AAAI Conference on Web and Social Media, vol.14, pp. 705-714.
APJII (Asosiasi Penyedia Jasa Internet Indonesia). 2022. Profil Internet Indonesia 2022. Survei.
Stephen, Global Streaming music subscription market Q2 2021 MIDiA Research, [Online]. https://musicindustryblog.wordpress.com/2022/01/18/music-subscriber-market-shares-q2-2021/ [Diakases 25 April 2022].
Putri, D. A. 2020. Comparison of Naive Bayes Algorithm and Support Vector Machine using PSO Feature Selection for Sentiment Analysis on E-Wallet Review. Journal of Physics: Conference Series, vol. 1641, No. 1, p.012085.
Basari, A. S. H., Hussin, B., Ananta, I. G. P., & Zeniarja, J. 2013. Opinion Mining of Movie Review Using Hybrid Method of Support Vector Machine and Particle Swarm Optimization. Procedia Engineering, 53, 453-462.
Saputra, S. A., Rosiyadi, D., Gata, W., & Husain, S. M. 2019. Analisis sentimen E-Wallet pada google play menggunakan algoritma naive bayes berbasis particle swarm optimization. Jurnal RESTI, 3, 377-382.
Darwis, D., Pratiwi, E. S., & Pasaribu, A. F. O. 2020. Penerapan Algoritma Svm Untuk Analisis Sentimen Pada Data Twitter Komisi Pemberantasan Korupsi Republik Indonesia. Jurnal Ilmiah Edutic: Pendidikan dan Informatika, 7(1), 1-11.
Yutika, C. H., Adiwijaya, A., & Al Faraby, S. 2021. Analisis Sentimen Berbasis Aspek pada Review Female Daily Menggunakan TF-IDF dan Naive Bayes. JURNAL MEDIA INFORMATIKA BUDIDARMA, 5(2), 422-430.
Kosasih, R., & Alberto, A. (2021). Sentiment analysis of game product on shopee using the TF-IDF method and naive bayes classifier. LKOM Jurnal Ilmiah, 13(2), 101-109.
Fransiska, S., Rianto, R., & Gufroni, A. I. (2020). Sentiment Analysis Provider by. U on Google Play Store Reviews with TF-IDF and Support Vector Machine (SVM) Method. Scientific Journal of Informatics, 7(2), 203-212.
Adriani, M., Asian, J., Nazief, B., Tahaghoghi, S. M. M., & Williams, H. E. (2007). Stemming Indonesian. ACM Transactions on Asian Language Information Processing, 6(4), 1–33.
Ahuja, R., Chug, A., Kohli, S., Gupta, S., & Ahuja, P. (2019). The impact of features extraction on the sentiment analysis. Procedia Computer Science, 152, 341-348.
Suyanto. 2017. Data mining Untuk Klasifikasi Dan Klasterisasi Data.Bandung:Informatika Bandung.
Wibawa, A. P., Kurniawan, A. C., Della Murbarani Prawidya Murti, Adiperkasa, R. P., Putra, S. M., Kurniawan, S. A., & Nugraha, Y. R. (2019). Naive Bayes Classifier for Journal Quartile Classification. Int. J. Recent Contributions Eng. Sci. IT, 7(2), 91-99.
Sabrani, A., & Bimantoro, F. (2020). Multinomial Naive Bayes untuk Klasifikasi Artikel Online tentang Gempa di Indonesia. Jurnal Teknologi Informasi, Komputer, Dan Aplikasinya (JTIKA), 2(1), 89-100.
Pratama, A., Wihandika, R. C., & Ratnawati, D. E. (2018). Implementasi algoritme support vector machine (SVM) untuk prediksi ketepatan waktu kelulusan mahasiswa. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer E-ISSN, 2548, 1704-1708.
Trivusi, Apa itu Kernel Trick? Pengertian dan Jenis-jenis Fungsi Kernel SVM, [Online]. https://www.trivusi.web.id/2022/04/fungsi-kernel-svm.html [Diakses 8 Agustus 2022]
