Analisis Sentimen Ulasan Produk Sayur di Tokopedia Menggunakan Model Support Vector Machine  Dengan Representasi TF-IDF

Fahmi Fiddin; Taufik Hidayat; Djamaludin Djamaludin

doi:10.53513/jis.v24i2.11479

Authors

Fahmi Fiddin Universitas Sslam Syekh Yusuf
Taufik Hidayat Universitas Islam Syekh Yusuf https://orcid.org/0000-0003-3131-6430
Djamaludin Djamaludin Universitas Sslam Syekh Yusuf

DOI:

https://doi.org/10.53513/jis.v24i2.11479

Keywords:

Analisis Sentimen, Support Vector Machine (SVM), TF-IDF, Ulasan Produk, Tokopedia

Abstract

Penelitian ini mengimplementasikan analisis sentimen pada ulasan produk sayuran di Tokopedia menggunakan metode TF-IDF untuk pembobotan fitur dan algoritma Support Vector Machine (SVM) untuk klasifikasi. Sebanyak 1.048 data ulasan dikumpulkan melalui proses crawling dengan Python dan Selenium. Data ulasan diproses melalui tahapan preprocessing yang mencakup cleaning, case folding, tokenizing, stopword removal, dan stemming. Pelabelan sentimen dilakukan menggunakan pendekatan lexicon-based. Model SVM dilatih dengan pembagian data 80% untuk pelatihan dan 20% untuk pengujian, menghasilkan akurasi 98%, F1-Score 98% untuk sentimen positif, dan 96% untuk sentimen negatif. Visualisasi menggunakan Word Cloud dan diagram pie menunjukkan bahwa 75,1% ulasan bersentimen positif dan 24,9% bersentimen negatif. Hasil ini menunjukkan bahwa mayoritas pelanggan memberikan tanggapan positif terhadap produk yang dibeli.

References

J Rajeev, N. suresh, and T. Varalakshmi, “Sentiment Analysis About Customer Feedback,” Int. Res. J. Adv. Eng. Manag., vol. 2, no. 05, pp. 1683–1686, 2024, doi: 10.47392/irjaem.2024.0242.

K. S. Kyaw, P. Tepsongkroh, and C. Thongkamkaew, “Business Intelligent Framework Using Sentiment Analysis for Smart Digital Marketing in the E-Commerce Era Department of Tourism Industry , Didyasarin International College , Department of Management , Hatyai Business School , Hatyai University , Correspon,” vol. 16, no. 3, pp. 1–23, 2022, doi: https://doi.org/10.48048/asi.2023.252965.

T. Hidayat and D. S. Canta, “Analisis Kepuasan Pengguna Terhadap Penerapan Aplikasi Tokopedia dengan Menggunakan Metode TAM,” JURIKOM (Jurnal Ris. Komputer), vol. 9, no. 2, p. 472, 2022, doi: http://dx.doi.org/10.30865/jurikom.v9i2.4088.

M. F. El Firdaus, N. Nurfaizah, and S. Sarmini, “Analisis Sentimen Tokopedia Pada Ulasan di Google Playstore Menggunakan Algoritma Naïve Bayes Classifier dan K-Nearest Neighbor,” JURIKOM (Jurnal Ris. Komputer), vol. 9, no. 5, p. 1329, Oct. 2022, doi: http://dx.doi.org/10.30865/jurikom.v9i5.4774.

M. E. Purbaya, D. P. Rakhmadani, Maliana Puspa Arum, and Luthfi Zian Nasifah, “Implementation of n-gram Methodology to Analyze Sentiment Reviews for Indonesian Chips Purchases in Shopee E-Marketplace,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 7, no. 3, pp. 609–617, 2023, doi: 10.29207/resti.v7i3.4726.

A. H. Ruger, M. Suyanto, and M. P. Kurniawan, “Sentimen Analisis Pelanggan Shopee di Twitter dengan Algoritma Naive Bayes,” J. Inf. Technol., vol. 1, no. 2, pp. 26–29, Sep. 2021, doi: 10.46229/jifotech.v1i2.282.

K. Hantoro, D. Handayani, and S. Setiawati, “A Implementation of Text Mining In Sentiment Analysis of Shopee Indonesia Using SVM,” Bull. Inf. Technol., vol. 3, no. 2, pp. 115–120, Jun. 2022, doi: 10.47065/bit.v3i2.282.

Z. Fu, Y. C. Hsu, C. S. Chan, C. M. Lau, J. Liu, and P. S. F. Yip, “Efficacy of ChatGPT in Cantonese Sentiment Analysis: Comparative Study,” J. Med. Internet Res., vol. 26, no. 1, p. e51069, Jan. 2024, doi: https://doi.org/10.2196/51069.

A. Muzaki, V. Febriana, and W. N. Cholifah, “Analisis Sentimen Pada Ulasan Produk di E-Commerce dengan Metode Naive Bayes,” J. Ris. dan Apl. Mhs. Inform., vol. 5, no. 4, pp. 758–765, Oct. 2024, doi: 10.30998/jrami.v5i4.9647.

M. A. Nadjib Mahfoud, T. Hidayat, Sukrim, Sukisno, and A. H. Nugroho, “Penerapan Algoritma Dijkstra Dan Greedy Untuk Optimasi Rute Angkut Sampah Di Kecamatan Periuk,” vol. 24, no. 2, pp. 151–161, 2024, doi: https://doi.org/10.33557/jurnalmatrik.v26i2.3259.

F. Fiddin, M. Y. Syahbarna, and M. Ridwan, “Penggunaan Supervised Learning untuk Prediksi Validitas Ulasan Negatif Aplikasi Tokopedia Berdasarkan Pengalaman Pengguna Ahli,” SAINTIKOM (Jurnal Sains Manaj. Inform. dan Komputer), vol. 23, pp. 409–417, 2024, doi: https://doi.org/10.53513/jis.v23i2.10030.

R. Ridho and H. Hendra, “Klasifikasi Diagnosis Penyakit Covid-19 Menggunakan Metode Decision Tree,” JUST IT J. Sist. Informasi, Teknol. Inf. dan Komput., vol. 11, no. 3, pp. 69–75, 2022, doi: https://doi.org/10.24853/justit.11.3.%25p.

B. Blidex and J. S. Wibowo, “ANALISIS SENTIMEN KLASIFIKASI TWEET VAKSIN COVID 19 DENGAN NAÏVE BAYES,” J. MAHAJANA Inf., vol. 6, no. 2, pp. 103–110, Dec. 2021, doi: 10.51544/jurnalmi.v6i2.2449.

R. Ramadhani, R. Ramadhanu, A. Fajri, A. Abdillah, and M. Ridwan, “Studi Komparatif Multinomial Naïve Bayes, Decision Tree, dan K-Nearest Neighbor dalam Klasifikasi Validasi Ulasan Clash of Clans oleh Pengguna Ahli,” JUSTIN (Jurnal Sist. dan Teknol. Informasi), vol. 12, no. 4, pp. 653–660, 2024, doi: 10.26418/justin.v12i4.81638.

A. K. Santoso, “Analisis Sentimen Twitter Bahasa Indonesia Menggunakan Pendekatan Machine Learning,” J. Inform. Kaputama, vol. 6, no. 2, pp. 129–136, 2022, doi: 10.59697/jik.v6i2.111.

F. Hasibuan, W. Priatna, and T. S. Lestari, “Analisis Sentimen Terhadap Kementrian Perdagangan Pada Sosial Media Twitter Menggunakan Metode Naïve Bayes,” Techno.Com, vol. 21, no. 4, pp. 741–752, 2022, doi: 10.33633/tc.v21i4.6565.

Muhammad Rizal, M. Martanto, and U. Hayati, “Analisis Sentimen Pengguna Twitter Terkait Film One Piece Menggunakan Metode Naive Bayes,” J. Sist. Inf. Kaputama, vol. 8, no. 1, pp. 38–47, 2024, doi: 10.59697/jsik.v8i1.522.

A. Yodi Prayoga, A. Id Hadiana, and F. Rakhmat Umbara, “Deteksi Hoax pada Berita Online Bahasa Inggris Menggunakan Bernoulli Naïve Bayes dengan Ekstraksi Fitur Tf-Idf,” J. Syntax Admiration, vol. 2, no. 10, pp. 1808–1823, 2021, doi: 10.46799/jsa.v2i10.327.

J. E. Br Sinulingga and H. C. K. Sitorus, “Analisis Sentimen Opini Masyarakat terhadap Film Horor Indonesia Menggunakan Metode SVM dan TF-IDF,” J. Manaj. Inform., vol. 14, no. 1, pp. 42–53, 2024, doi: 10.34010/jamika.v14i1.11946.

Regina, T. H. Saragih, and D. Kartini, “Analisis Sentimen Brand Ambassador Bts Terhadap Tokopedia Menggunakan Klasifikasi Bayesian Network Dengan Ekstraksi Fitur Tf-Idf,” J. Inform. Polinema, vol. 9, no. 4, pp. 383–390, 2023, doi: 10.33795/jip.v9i4.1333.

A. Aziz and Fauziah, “Analisis Sentimen Identifikasi Opini Terhadap Produk, Layanan dan Kebijakan Perusahaan Menggunakan Algoritma TF-IDF dan SentiStrength,” J. Sains Komput. Inform. (J-SAKTI, vol. 6, no. 1, p. 115, 2022, doi: http://dx.doi.org/10.30645/j-sakti.v6i1.430.

M. H. Mahendra, D. T. Murdiansyah, and K. M. Lhaksmana, “Analisis Sentimen Tweet COVID-19 menggunakan K-Nearest Neighbors dengan TF-IDF dan Ekstraksi Fitur CountVectorizer,” DIKE J. Ilmu Multidisiplin, vol. 1, no. 2, pp. 37–43, 2023, doi: 10.69688/dike.v1i2.35.

A. M. Yolanda and R. T. Mulya, “Implementasi Metode Support Vector Machine untuk Analisis Sentimen pada Ulasan Aplikasi Sayurbox di Google Play Store,” J. Stat. Its Appl. Teach. Res., vol. 6, no. 2, pp. 76–83, 2024, doi: 10.35580/variansiunm258.

R. Pebrianto, T. Rivanie, R. Nurfalah, W. Gata, and M. F. Julianto, “Adopsi Algorithm Support Vector Machine untuk Analisis Sentimen Larangan Mudik Lebaran 2020 pada Twitter,” J. Tek. Komput. AMIK BSI, vol. 6, no. 2, pp. 193–199, 2020, doi: 10.31294/jtk.v6i2.8127.

Sopiatul Ulum, R. F. Alifa, P. Rizkika, and C. Rozikin, “Perbandingan Performa Algoritma KNN dan SVM dalam Klasifikasi Kelayakan Air Minum,” Gener. J., vol. 7, no. 2, pp. 141–146, 2023, doi: 10.29407/gj.v7i2.20270.

D. Valero-Carreras, J. Alcaraz, and M. Landete, “Comparing two SVM models through different metrics based on the confusion matrix,” Comput. Oper. Res., vol. 152, no. December 2022, p. 106131, 2023, doi: 10.1016/j.cor.2022.106131.