Analisis Sentimen Dan Topic Modelling Dalam Aplikasi Ruangguru

Firdaus, Muhammad Romy; Rizki, Fikri Muhammad; Gaus, Favian Muhammad; Susanto, Indra

doi:10.30645/j-sakti.v4i1.188

Cited by 13 publications

(11 citation statements)

References 1 publication

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Gambar 2 merupakan hasil penyandian axial artikel yang diklasifikasikan berdasarkan studi kasus, dengan deskripsi topik ulasan sebagai berikut : perguruan tinggi [15]; covid-19 [16], [17]; usaha waralaba [18]; ulasan video [19], [20]; ulasan produk [21]- [26]; ulasan pelanggan guest house [27]; ulasan aplikasi mobile [28]- [31]; pornografi [32]; travel agent [33], [34]; topik viral desa penari [35]; tokoh publik [36], [37]; solusi pengelolaan sampah [38]; sistem pencarian kost [39]; ruang belajar dan ruang guru [40]; perusahaan penjual online [24], [41], [42]; pengguna aplikasi mobile [43]. Hal ini menunjukkan bahwa kajian analisis sentimen terkait dengan ulasan video, produk, aplikasi mobile, travel agent, tokoh publik, perusahaan penjualan online menjadi populer.…”

Section: Gambar 2 Hasil Klasifikasi Studi Kasus Kajian Analisis Sentimen Sumber : Hasil Penyandian Axial Menggunakan Nvivo 12 Plusunclassified

Pemilihan Metode dan Algoritma dalam Analisis Sentimen di Media Sosial : Sistematic Literature Review

Singgalen

2021

Journal-ISI

View full text Add to dashboard Cite

This article use Systematic Literature Review (SLR) to classify sentiment analysis based on case studies, methods, social media, and platforms. The coding stage is divided into three stages, namely the open, selective and axial coding. The literature study on sentiment analysis is divided into two parts: identifying gaps based on case studies and data sources and identifying gaps based on the methods or algorithms used. The gap identification results based on case studies and data sources show that popular review topics are synonymous with entertainment, economic and political content. Therefore, the quantity of research with review topics related to the implementation of education, the dynamics of the bureaucracy, health facilities and services, and non-governmental organization’s activities need to be increased. Meanwhile, the most dominant platforms used as data sources are website and mobile-based applications. The results of the gap identification based on the method and algorithm show that the quantity of research with the Naive Bayes Classifier (NBC) and Support Vector Machine (SVM) method or algorithm is more dominant than the k-Nearest Neighbor (k-NN) and Lexicon-based. Thus, it is necessary to increase the number of other classification methods such as Particle Swarm Optimization, BM25, Decision Tree, K-Means, and Neural Networks.

show abstract

Section: Gambar 2 Hasil Klasifikasi Studi Kasus Kajian Analisis Sentimen Sumber : Hasil Penyandian Axial Menggunakan Nvivo 12 Plusunclassified

Pemilihan Metode dan Algoritma dalam Analisis Sentimen di Media Sosial : Sistematic Literature Review

Singgalen

2021

Journal-ISI

View full text Add to dashboard Cite

show abstract

“…Hasil dari preprocessing kemudian dihitung jumlah kemunculan setiap kata dengan model bag of words. Gabungan metode NBC dan LDA untuk mengetahui sentimen pengguna aplikasi Ruang Guru untuk mengetahui topik yang dibicarakan pengguna aplikasi tersebut sebagai bahan evaluasi perusahaan [10]. Penelitian ini bertujuan melihat hasil tingkat akurasi pemodelan topik LDA yang diberikan sentimen analisis menggunakan NBC,…”

Section: Kata Kunciunclassified

Analisis Sentimen dan Pemodelan Topik Untuk Mengidentifikasi Topik Pandemi Covid-19 Pada Media Sosial Twitter menggunakan Naïve Bayes Classifier dan Latent Dirichleat Allocation

Prakosa¹,

Riyanto²,

Nasiroh³

2021

JNNLK

View full text Add to dashboard Cite

Virus Corona atau Covid-19 menjadi perhatian khusus diseluruh dunia. Banyak masyarakat membicarakan virus ini melalui unggahan komentar dan opini di Media Sosial.Twitter merupakan salah satu media sosial yang saat ini masih banyak digunakan masyarakat untuk menyampaikan opini berupa kumpulan kata yang disebut tweets. Tweets yang berkaitan dengan topik covid-19 ini dapat di klasifikasikan menggunakan metode Topic Modeling untuk menghasilkan sebuah data topic yang sering dibicarakan pengguna twitter. Salah satu algoritma yang digunakan untuk melakukan Topic Modeling adalah menggunakan Latent Dirichlet Alocation (LDA). Pada penelitian ini LDA digunakan untuk mengetahui kata-kata apa saja yang banyak muncul pada data tweets tentang Covid-19 yang telah di unggah masyarakat melalui twitter. Sebelum data tweet dimodelkan dengan LDA, dilakukan terlebih dahulu analisis sentiment dengan Naïve Bayes Classifier untuk menghasilkan sentiment Positif, Negati dan Netral. Terdapat 5000 tweets dijadikan dataset untuk diklasifikasikan menggunakan Topic Modeling. Semua tweets yang yang di tambang masih perlu dilakukan preprocessing text yang bertujuan untuk menghapus kata-kata yang tidak baku, menghapus tanda baca, dan menghapus kata penyambung. Tweets yang sudah dilakukan preprocessing text lalu diberikan nilai bobot sehingga diketahui kata apa saja yang banyak muncul dalam tweets yang berkaitan dengan Covid-19. Kata-kata yang banyak muncul dan sudah diberikan bobot akan divisualisasikan menggunakan World Cloud sehingga dapat dilihat pemetaan kata apa saja yang banyak muncul dalam bentuk gambar.

show abstract

“…Penelitian selanjutnya [7] yaitu mengenai analisis sentimen dan topic modelling pada sebuah aplikasi belajar yaitu aplikasi belajar Ruangguru dengan menggunakan data dari komentar yang didapat pada website youtube. Pada penelitian ini pengumpulan data dilakukan dengan cara scrapping yang menggunakan aplikasi ScrapeStrom untuk memudahkan pengambilan data yang valid dan akurat dan data tersebut dianalisa dengan menggunakan aplikasi Orange.…”

Section: Pendahuluanunclassified

Analisis Sentimen Terhadap Aplikasi Ruangguru Menggunakan Algoritma Naive Bayes, Random Forest Dan Support Vector Machine

Fitri

2020

View full text Add to dashboard Cite

The review of the users of one application is of great help to development in improving the quality of the application and may be the means for assessments that users feel satisfied or not. The study conducted a sentiment analysis of the Ruangguru application by testing the three classification models such as Naive Bayes, Random Forest and Support Vectors Machine. The study has yielded results that from Random Forest classification model 97,16% by using Cross Validation and an AUC score of 0.996. Then accuracy with the model of Support Vector Machine classification support results in accuracy rate of 96.01% to an AUC value of 0.543 and accuracy in the testing of Naive Bayes classification model was 94,16% of AUC score 0,999. This study shows that an increase in accuracy from previous studies of 7.16% with Random Forest's final cut as a Random Forest classification model with the best performance.

show abstract

Analisis Sentimen Dan Topic Modelling Dalam Aplikasi Ruangguru

Cited by 13 publications

References 1 publication

Pemilihan Metode dan Algoritma dalam Analisis Sentimen di Media Sosial : Sistematic Literature Review

Pemilihan Metode dan Algoritma dalam Analisis Sentimen di Media Sosial : Sistematic Literature Review

Analisis Sentimen dan Pemodelan Topik Untuk Mengidentifikasi Topik Pandemi Covid-19 Pada Media Sosial Twitter menggunakan Naïve Bayes Classifier dan Latent Dirichleat Allocation

Analisis Sentimen Terhadap Aplikasi Ruangguru Menggunakan Algoritma Naive Bayes, Random Forest Dan Support Vector Machine

Contact Info

Product

Resources

About