Klasifikasi Sentimen Ulasan Pengguna Aplikasi PeduliLindungi di Google Play Menggunakan Algoritma Support Vector Machine dengan Seleksi Fitur Chi-Square

Abstract

Upaya pemerintah untuk mengurangi penyebaran wabah virus corona yang semakin meluas hampir di setiap negara di dunia termasuk di Indonesia telah banyak dilakukan. Salah satu upaya yang telah dilakukan dengan memanfaatkan teknologi yang ada pada saat ini adalah membuat sebuah aplikasi bernama PeduliLindungi. Aplikasi ini bertujuan untuk melakukan tracing dan monitoring lokasi penyebaran virus corona sehingga dapat menurunkan kasus corona di Indonesia. Banyak ulasan yang diberikan oleh masyarakat terhadap aplikasi ini baik yang berupa kritik maupun kepuasan. Namun, untuk mengetahui seluruh ulasan yang diberikan tidak mudah. Oleh sebab itu, penelitian dilakukan dengan tujuan untuk mengetahui hasil sentimen masyarakat terhadap aplikasi PeduliLindungi. Analisis sentimen yang dilakukan dengan mengklasifikasikan ulasan menjadi ulasan positif dan ulasan negatif menggunakan algoritma Support Vector Machine dengan seleksi fitur chi-square. Pengumpulan data ulasan dilakukan dengan melakukan scrapping di google play dengan menggunakan bahasa pemrograman Python. Hasil dari klasifikasi sentimen terhadap aplikasi PeduliLindungi menghasilkan performa yang baik dan menghasilkan nilai akurasi sebesar 93%, recall sebesar 86%, precision sebesar 98%, specificity sebesar 98% dan f1-score sebesar 92%.

Analisis Sentimen Terhadap Aplikasi Satu Sehat Pada Twitter Menggunakan Algoritma Naive Bayes Dan Support Vector Machine

“…Pengumpulan data ulasan dilakukan dengan melakukan scrapping di google play dengan menggunakan bahasa pemrograman Python. Hasil dari klasifikasi sentimen terhadap aplikasi PeduliLindungi menghasilkan performa yang baik dan menghasilkan nilai akurasi sebesar 93%, recall sebesar 86%, precision sebesar 98%, specificity sebesar 98% dan f1-score sebesar 92% [5]. Penggunaan metode ini diharapkan mendapatkan akurasi yang tinggi sehingga dengan metode tersebut dapat mengklasifikasi komentar negatif dan komentar positif sehingga mendapatkan.…”

Analisis Sentimen Terhadap Video Ulasan Produk Menggunakan Metode Support Vector Machine Dengan Sequential Minimal Optimization

“…Hampir 50% dari pengguna internet bergantung pada rekomendasi world-of-mouth (opini publik) sebelum menggunakan suatu produk atau jasa karena ulasan dari pengguna lain dapat menyediakan informasi terbaru dari produk atau jasa berdasarkan perspektif para pengguna yang sudah menggunakan produk tersebut [2]. Sampai saat ini analisis sentimen semakin berkembang sebagian besar masih berkisar pada analisis sentimen teks.…”

“…Recall adalah prosentase jumlah opini positif yang diklasifikasikan secara benar, yang dihitung dengan persamaan (2) (2)…”