Clustering Pada Data Sentiment Penggunaan Transportasi Online Menggunakan Algoritma Single Pass Clustering
DOI:
https://doi.org/10.34818/eoe.v8i6.17383Abstrak
Abstrak Transportasi online hadir ditengah – tengah masyarat sebagai solusi untuk masyarakat saat ingin berpergian, namun sangat padatnya pengguna transportasi umum. Namun, dengan semakin menjamurnya transportasi online, semakin banyak juga komentar yang diberikan oleh penggunanya mengenai kinerja dari transportasi online baik itu komentar posistif, negatif, atau netral. Pada penelitian ini penulis mencoba melakukan pengelompokan data terhadap komentar positif, negatif, dan netral yang dimana komentar diambil melalui media sosial Instagram penyedia jasa transportasi online Go-Jek Indonesia dan Grab Indonesia. Data yang telah didapat kemudian melalui tahapan pre-processing, pembobotan kata, clustering dimana pada penelitian ini menggunakan algoritma Single Pass Clustering, dan kemudian hasil clustering ditampilkan di website. Hasil pengujian dari proses clustering dengan mengguankan threshold 0.1 sampai 0.9 didapat bahwa semakin besar nilai threshold semkin cepat proses clustering dan semakin sedikit clusternya. Hasil terbaik didapat pada threshold 0.1 dimana pada dataset positif didapat hasil 123 cluster dengan kecepatan 0.001196800s. Sedangkan pada dataset negatif didapat hasil 170 cluster dengan kecepatan 0.002018130s. Sedangkan pada dataset netral didapat hasil 151 cluster dengan kecepatan 0.001530701s. Kata kunci : Transportasi Online, Sosial Media Instagram, Clustering, Single Pass ClusteringReferensi
[1] S. Rohwinasakti, B. Irawan. C. Setianingsih,
”SENTIMENT ANALYSIS ON ONLINE
TRANSPORTATION SERVICE USING
K-NEAREST NEIGHBOR,” 2020
[2] D.S. Ashari, B. Irawan. C. Setianingsih,
”SENTIMENT ANALYSIS ON ONLINE
TRANSPORTATION SERVICE USING
CNN (CONVULUTIONAL NEURAL
NETWORK),” 2020
[3] R. I. K. Rao, “Data Mining and Clustering
Techniques,” no. November, 2014.
[4] M. K. Siregar, Amril Mutoi, S.Kom. and M.
K. Puspabhuana, Adam, S.Kom., DATA
MINING: Pengolahan Data Menjadi
Informasi dengan RapidMiner. CV Kekata
Group.
[5] S. Srivastava, “Weka: A Tool for Data
preprocessing, Classification, Ensemble,
Clustering and Association Rule Mining,”
Int. J. Comput. Appl., vol. 88, no. 10, pp. 26–
29, 2014, doi: 10.5120/15389-3809.
[6] H. (National U. of S. Liu, H. (Osaka U.
Motoda, R. Setiono, and Z. Zhao, “Feature
Selection : An Ever Evolving Frontier in
Data Mining,” J. Mach. Learn. Res. Work.
Conf. Proc. 10 Fourth Work. Featur. Sel.
Data Min., pp. 4–13, 2010.
[7] P. Bafna, D. Pramod, and A. Vaidya,
“Document clustering: TF-IDF approach,”
Int. Conf. Electr. Electron. Optim. Tech.
ICEEOT 2016, pp. 61–66, 2016, doi:
10.1109/ICEEOT.2016.7754750.
[8] Informatikalogi, “Pembobotan Kata atau
Term Weighting TF-IDF,”
informatikalogi.com.
https://informatikalogi.com/termweighting-tf-idf/ (accessed Nov. 25, 2020).
[9] E. Irwansyah and M. Faisal, Advanced
Clustering: Teori dan Aplikasi. Deepublish,
2015.
[10] I. Werdiningsih, B. Nuqoba, and
Muhammadun, “Data Mining
Menggunakan Android, Weka, Dan Spss”.
Airlangga University Press, 2020.
[11] F. Herny, Z. Eri, “ALGORITMA SINGLE
PASS CLUSTERING UNTUK
KLASTERING HALAMAN WEB,”
Unisbank Semarang.
[12] Pamungkas, Canggih Ajika, “Aplikasi
Penghitung Jarak Koordinat Berdasarkan
Latitude dan Longitude Dengan Metode
Euclidean Distance Dan Metode
Haversine,” Jurnal Informa Politeknik
Indonesia Surakarta., Vol. 5 Nomor 2 Tahun
2019.
[15] Informatikalogi, “Text Preprocessing,”
informatikalogi.com.
https://informatikalogi.com/textpreprocessing/ (accessed Dec. 01, 2020).
