ANALISIS SENTIMEN ULASAN EKSPEDISI J&T EXPRESS MENGGUNAKAN ALGORITMA NAÏVE BAYES
DOI:
https://doi.org/10.36595/misi.v5i1.396Keywords:
Klasifikasi Naïve Bayes, Analisis Sentimen, J&T Express, Text MiningAbstract
Analisis sentimen merupakan teknik mengidentifikasi pendapatseseorang yang diekspresikan dalam bentuk teks untuk menganalisa emosi seseorang terkait dengan topik tertentu.J&T Express menjadi sebuah perusahaan jasa pengiriman dengan akses luas di Indonesia serta melayani berbagai pengiriman. Pada era globalisasi, jasa ekspedisi menjadi jasa yang paling banyak digunakan olehmasyarakat. Hal ini ditandai dengan meningkatnya pembelian online yang direkomendasikan oleh pemerintah sejak diberlakukannya WFH. Besarnya penggunaan jasa J&T Express menjadikan banyak pengguna menyampaikan ulasan terkait kinerja jasa pengiriman tersebut. Didalam penelitian ini metode analisis sentimen digunakan untukmengklasifikasi serta mengolah teks ulasan jasa pengiriman J&T Express. Proses klasifikasi data pada analisis sentimen dibagi 2 kelas, yaitu kelas sentimen negatif dan kelas sentimen positif. Terdapat 500 data yang digunakan dan terbagi menjadi 400 data latih dan 100 data uji. Dari total 400 data latih terdiri dari 237 kelas negatif dan 163 kelas positif. Berdasarkan hasil dari penelitian menghasilkan akurasi sebesar 87%, presisi kelas positif sebesar 70%, presisi kelas negatif sebesar 95%, dan error rate sebesar 13%.
References
H. Nurul, “Analisis Kepuasan Konsumen Jasa Pengiriman Barang J&T Ekspress ditinjau dari Kualitas Pelayanan, Fasilitas, dan Harga,” Article, p. 13, 2018.
A. F. Kamal, “Text Mining untuk Analisa Sentiment Ekspedisi Jasa Pengiriman Barang Menggunakan Metode Naive Bayes pada Aplikasi J&T Express,” 2017.
N. I. P. Kalingara, O. N. Pratiwi, and H. D. Anggana, “Analisis Sentimen Review Customer Terhadap Layanan Ekspedisi Jne Dan J & T Express Menggunakan Metode Naïve Bayes,” vol. 8, no. 5, pp. 9035–9048, 2021.
Y. S. Mahardhika and E. Zuliarso, “Analisis Sentimen Terhadap Pemerintahan Joko Widodo Pada Media Sosial Twitter Menggunakan Algoritma Naives Bayes,” Pros. SINTAK 2018, no. 2015, pp. 409–413, 2018.
G. A. Buntoro, “Analisis Sentimen Calon Gubernur DKI Jakarta 2017 di Twitter,” Integer J. Maret, vol. 1, no. 1, pp. 32–41, 2017, [Online].
Z. A. N. Gumilang, “Implementasi Naive Bayes Classifier dan Asosiasi untuk Analisis Sentimen Data Ulasan Aplikasi E-Commerce Shopee pada Situs Google Play,” Islamic University of Indonesia, 2018.
R. N. Devita, H. W. Herwanto, and A. P. Wibawa, “Perbandingan Kinerja Metode Naive Bayes dan K-Nearest Neighbor untuk Klasifikasi Artikel Berbahasa indonesia,” J. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 4, p. 427, 2018, doi: 10.25126/jtiik.201854773.
E. B. Santoso and A. Nugroho, “Analisis Sentimen Calon Presiden Indonesia 2019 Berdasarkan Komentar Publik di Facebook,” Eksplora Inform., vol. 9, no. 1, pp. 60–69, 2019, doi: 10.30864/eksplora.v9i1.254.
E. . et. al. Turban, Decision Support and Business Intelligence Systems. New Jersey: Pearson Education, Inc. 2011.
O. Gunawan, “Analisis Sentimen Masyarakat Terhadap Layanan Pengaduan di Kota Semarang ‘Lapor Hendi’ Berdasarkan Opini dari Twitter Menggunakan Metode Naive Bayes,” 2020.
R. Kohavi and F. Provost, Glossary of terms. Machine Learning—Special Issue on Applications of Machine Learning and the Knowledge Discovery Process., vol. 30. 1998.
Saikin and Kusrini, “Model Data Mining Untuk Karekteristik Data Traveller Pada Perusahaan Tour and Travel,” J. Manaj. Inform. dan Sist. Inf., vol. 2, no. 2, p. 61, 2019, doi: 10.36595/misi.v2i2.105.
Liu B, “Sentiment Analysis and Opinion Mining, Morgan & Claypool Publishers,” 2012.
W. E. Nurjanah, R. S. Perdana, and M. A. Fauzi, “Analisis Sentimen Terhadap Tayangan Televisi Berdasarkan Opini Masyarakat pada Media Sosial Twitter Menggunakan Metode K-Nearest Neighbor dan Pembobotan Jumlah Retweet,” J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 1, no. 12, pp. 1750–1757, 2017, doi: 10.1074/jbc.M209498200.
I. W. D. Pancane and I. W. Suriana, “Klasifikasi Komentar Publik Terhadap Kebijakan Pemerintah Pada Facebook Frontpage Kompas Menggunakan Clustering K-Means, Furthest First,” J. Manaj. Inform. dan Sist. Inf., vol. 3, no. 2, 2020.
D. Sartika and D. Indra, “Perbandingan Algoritma Klasifikasi Naive Bayes, Nearest Neighbour, dan Decision Tree pada Studi Kasus Pengambilan Keputusan Pemilihan Pola Pakaian,” J. Tek. Inform. Dan Sist. Inf., vol. 1, no. 2, pp. 151–161, 2017.
Imtihan, K., Bagye, W., Asri, Z. M. T., Fadli, S., & Ashari, M. (2021, February). Image capture device based on Internet of Thing (IoT) technology. In IOP Conference Series: Materials Science and Engineering (Vol. 1088, No. 1, p. 012065). IOP Publishing
Bagye, W., Imtihan, K., Ashari, M., Fadli, S., Zaen, M. T., Zulkarnaen, M. F., ... & Tantoni, A. (2021, February). The potential of hand tractor controller to reduce the risk of Hand-Arm Vibration Syndrome (HAVS). In IOP Conference Series: Materials Science and Engineering (Vol. 1088, No. 1, p. 012077). IOP Publishing.
Downloads
Published
How to Cite
Issue
Section
License
Semua tulisan pada jurnal ini menjadi tanggungjawab penuh penulis.
