Analisis Sentimen Menggunakan Algoritma Naive Bayes Terhadap Review Restoran di Singapura

Abstract

Abstract. Sentiment Analysis Using Naive Bayes Classifier Against Restaurant Reviews in Singapore. Various restaurant options bring up a problem for diners to pick a restaurant to dine in. Thus, visitors usually perceive the restaurant's recommendation or rating in advance to know other diners' opinions about the restaurant. Previous restaurant diners' comments can be presented in sentiment analysis to determine their satisfaction. This research investigates the Naïve Bayes Classifier algorithm's performance in classifying visitors' sentiment based on restaurant diner comments. We will group visitors' comments into two types of sentiment: positive (satisfied) and negative (unsatisfied). The results of the data classification test are analyzed to determine its accuracy. The grouping of visitor satisfaction reviews using the naïve bayes algorithm provides an accuracy score of 73%. Besides, we visualize the research classification results in the browser-based R Shiny web application through word cloud and diagrams.Keywords:restaurant review, sentiment analysis, Naïve Bayes ClassifierAbstrak. Variasi pilihan restoran yang tidak sedikit menjadi salah satu masalah bagi pengunjung ketika ingin memilih restoran. Sehingga, pengunjung biasanya melihat rekomendasi atau penilaian pengunjung lain terhadap restoran tersebut terlebih dahulu untuk mengetahui penilaian pengunjung lain terhadap restoran tersebut. Penilaian atau review pengunjung dapat disajikan dalam analisis sentimen berdasarkan komentar para pengunjung restoran sebelumnya untuk melihat kepuasan pengunjung terhadap restoran tersebut. Penelitian ini dilakukan untuk mengetahui performa algoritma Naïve Bayes Classifier dalam melakukan klasifikasi sentimen berdasarkan komentar pengunjung restoran. Penelitian dilakukan dengan mengklasifikasikan data komentar pengunjung restoran menjadi dua kategori sentimen, yaitu: positif (satisfied) dan negatif (unsatisfied). Hasil pengujian pengklasifikasian data kemudian dianalisis akurasinya. Hasil pengelompokan review kepuasan pengunjung menggunakan algoritma naïve bayes memberikan nilai akurasi sebesar 73%. Visualisasi hasil klasifikasi dari analisis kemudian ditampilkan pada aplikasi berbasis web yaitu R Shiny berupa wordcloud dan diagram. Kata Kunci: penilaian restoran, analisis sentimen, Naïve Bayes Classifier

Penerapan Na ̈ıve Bayes Classifier, K-Nearest Neighbor (KNN) dan Decision Tree untuk Menganalisis Sentimen pada Interaksi Netizen danPemeritah

“…Kemudian penelitian [17] menghasilkan akurasi yang cukup tinggi yakni 98%. Selanjutnya penelitian [18] melakukan analisis sentimen pada review restoran di Singapura, mengahasilkan akurasi sebasar 70%. Selain naïve bayes metode yang umum digunakan dan memiliki akurasi yang cukup tinggi adalah decision tree.…”

“…Hasil yang diperoleh oleh Naïve Bayes tidak lepas dari pembobotan kata yang dilakukan pada penelitian ini, pada [17] mengatakan bahwa adanya peningkatan akurasi pada metode Naïve Bayes ketika dilakukan pembobotan kata terlebih dahulu. Alasan lainnya adalah data yang digunakan untuk proses klasifikasi sudah melalui tahap preprocessing, sehingga datanya menjadi lebih bersih sehingga bisa menaikkan akurasi pada metode Naïve Nayes [18].…”

Analisis Sentimen Pada Situs Google Review dengan Naïve Bayes dan Support Vector Machine

“…Untuk menampilkan kata-kata yang sering muncul besar kecilnya menampilkan banyaknya kemunculannya dalam data, sehingga kata terbanyak akan ditampilkan dalam ukuran yang lebih besar dan sebaliknya maka digunakan wordl cloud. 2) Histogram merupakan hasil dari banyaknya data yang ditampilkan dalam bentuk grafik batang, dan tampilan diagram batang yang semakin tinggi diberikan untuk data yang kemunculannya semakin banyak, sebaliknya, ukuran batang akan semakin pendek jika kemunculannya semakin sedikit [6].…”

Comparison of Naïve Bayes Algorithm and XGBoost on Local Product Review Text Classification

“…Naïve Bayes Classifier (NBC) is a classification method on the theorem. The classification method uses probability and statistical methods put forward by the English scientist Thomas Bayes (Permadi, 2020), which predicts future opportunities based on previous experience, so it is known as Bayes' Theorem (Yennimar & Rizal, 2019) as done by Yennimar & Rizal (2019) using the the-Nearest Neighbor (KNN) and Naïve Bayes algorithms where Naïve Bayes has a higher accuracy of 89.00% than KNN. Another study related to Naïve Bayes in classifying product reviews was also carried out by Rohman et al (2020) where KNN produced a higher accuracy of 76.2% compared to Naïve Bayes 52.4%, for accuracy results cannot be said to be optimal because there are still some spam reviews and irrelevant.…”