Analisis Sentimen Data Ulasan Pengguna MyPertamina di Twitter dengan Metode Text Mining
DOI:
https://doi.org/10.26593/jrsi.v13i1.6958.145-154Kata Kunci:
text mining, machine learning, deep learning, analisis sentimen, SVMAbstrak
Untuk menjamin proses penyaluran Bahan Bakar Minyak (BBM) subsidi tepat sasaran, PT Pertamina membangun aplikasi MyPertamina. Pengguna MyPertamina semakin banyak sehingga semakin banyak juga ulasan terkait penggunaan MyPertamina. Ulasan-ulasan perihal MyPertamina membanjiri berbagai kanal media sosial, salah satunya Twitter. Namun, analisis persepsi pengguna dengan media sosial belum maksimal. Oleh karena itu, dibutuhkan pemetaan sentimen pengguna secara lebih baik. Penelitian ini dilakukan untuk menjawab kebutuhan tersebut dengan membangun model text mining serta merancang prototipe yang dapat mengekstraksi dan menganalisis sentimen dari tweet yang berhubungan dengan MyPertamina. Penelitian ini mengadopsi metodologi CRISP-DM yang terdiri dari pemahaman bisnis, pemahaman data, persiapan data, pemodelan, evaluasi, hingga deployment. Data yang diperoleh untuk pembangunan model mencapai 6.920 data tweet. Masing-masing data diklasifikasikan dalam satu dari tiga kategori sentimen, yakni positif, negatif, dan netral. Setelah persiapan data, sebanyak 2.057 data digunakan untuk pembangunan model. Model yang diuji dalam penelitian ini terdiri dari algoritma Support Vector Machine (SVM), Multinomial Naïve Bayes, Gaussian Naïve Bayes, Long Short-Term Memory (LSTM), dan Bidirectional Long Short-Term Memory (Bi-LSTM). Model yang menghasilkan nilai evaluasi terbaik dan terpilih dalam pembangunan prototipe adalah model SVM dengan nilai accuracy sebesar 83,74%, weighted precision sebesar 83,96%, weighted recall sebesar 83,74%, dan weighted F1-score sebesar 83,72%. Prototipe digunakan untuk ekstraksi dan prediksi sentimen set data baru untuk kemudian divisualisasikan dalam bentuk grafik dan wordcloud sesuai dengan kebutuhan pengguna.
Referensi
Afidah, D. I., Dairoh, Handayani, S. F., Pratiwi, Wijayatun, R., & Sari, S. N. (2022). Sentimen Ulasan Destinasi Wisata Pulau Bali Menggunakan Bidirectional Long Short Term Memory. Jurnal Manajemen, Teknik Informatika, dan Rekayasa Komputer, 21(3), 607-618.
Alaskar, H., & Saba, T. (2021). Machine Learning and Deep Learning: A Comparative Review. Riyadh: Prince Sultan University.
Alghifari, D. R., Edi, M., & Firmansyah, L. (2022). Implementasi Bidirectional LSTM untuk Analisis Sentimen Terhadap Layanan Grab Indonesia. Jurnal Manajemen Informatika (JAMIKA), 89-99.
Alzubaidi, L., Zhang, J., Humaidi, A. J., Al-Dujaili, A., Duan, Y., Al-Shamma, O., Santamaria, J., Fadhel, M. A., Al-Amidie, M., & Farhan, L. (2021). Review of Deep Learning: Concepts, CNN Architectures, Challenges, Applications, Future Directions. Journal of Big Data.
Barkved, K. (2022). How To Know if Your Machine Learning Model Has Good Performance, [Online], Diakses dari obviously.ai: https://www.obviously.ai/post/machine-learning-model-performance [2022, 9 March].
Bian, Y., Ye, R., Zhang, J., & Yan, X. (2022). Customer Preference Identification from Hotel Online Reviews: A Neural Network Based Fine-Grained Sentiment Analysis. Computers & Industrial Engineering, 172.
Birjali, M., Kasri, M., & Beni-Hssane, A. (2021). A Comprehensive Survey on Sentiment Analysis: Approaches, Challenges and Trends. Knowledge-Based Systems 226.
Bisio, F., Oneto, L., & Cambria, E. (2017). Sentic Computing for Social Network Analysis. Sentiment Analysis in Social Networks (hal. 71-90). Cambridge: Elsevier.
Feldman, R., & Sanger, J. (2007). The Text Mining Handbook: Advanced Approaches in Analyzing Unstructured Data. New York, NY: Cambridge University Press.
Han, J., Kamber, M., & Pei, J. (2012). Data Mining Concepts and Techniques (3rd ed.). Waltham, MA: Morgan Kaufmann.
Habyba, A. N., Rahmawati, N., & Triwulandari. (2021). Analisis Sentimen Mahasiswa untuk Perbaikan Desain Afektif Ruang Kelas Jurusan Teknik Industri, Universitas Trisakti. Jurnal Rekayasa Sistem Industri, 10(1), 27-34.
Key, B., Kohl, A., Elflein, J., Puri-Mirza, A., Sapun, P., & Cherowbrier, J. Leading countries based on number of Twitter users as of January 2022, [Online], Diakses dari Statista: https://www. statista.com/statistics/242606/number-of-active-twitter-users-in-selected-countries/ [2022, 22 November].
Medhat, W., Hassan, A., & Korashy, H. (2014). Sentiment Analysis Algorithms and Applications: A Survey. Ain Shams Engineering Journal, 5(4), 1093-1113.
Maulana, R., Voutama, A., & Ridwan, T. (2023). Analisis Sentimen Ulasan Aplikasi Mypertamina pada Google Play Store Menggunakan Algoritma NBC. Jurnal Teknologi Terpadu, 9(1), 42-48.
Mustasaruddin, Budianita, E., Fikry, M., & Yanto, F. (2023). Klasifikasi Sentiment Review Aplikasi MyPertamina Menggunakan Word Embedding FastText dan SVM (Support Vector Machine). Jurnal SIstem Komputer dan Informatika (JSON), 526-534.
Nikmah, T., Ammar, M., Allatif, Y., Husna, R., Kurniasari, P., & Bahri, A. (2022). Comparison of LSTM, SVM, and Naive Bayes for Classifying Sexual Harassment Tweets. Journal of Soft Computing Exploration, 3(2), 131 - 137.
Schröer, C., Kruse, F., & Marx Gómez, J. (2021). A Systematic Literature Review on Applying CRISP-DM Process Model. Procedia Computer Science, 181, 526-534.
Sholahudin, A. (2022). Analisis Sentimen terhadap Kebijakan beli Pertalite menggunakan Aplikasi MyPertamina pada Twitter menggunakan Metode Naive Bayes Classifier (NBC). Tangerang: Universitas Muhammadiyah Tangerang.
Xu, G., Meng, Y., Qiu, X., Yu, Z., & Wu, X. (2019). Sentiment Analysis of Comment Texts Based on BiLSTM. IEEE Access 7, 51522-51532.
