Analisis Sentimen Penggunaan Aplikasi Traveloka di Twitter Menggunakan Model Klasifikasi
DOI:
https://doi.org/10.37278/sisinfo.v6i1.751Keywords:
Analisis Sentimen, Random Forest, Support Vector Machine, Naive Bayes Classifier, K-Nearest Neighbor, XGBOOST, TravelokaAbstract
Traveloka adalah platform travel online yang menyediakan jasa pemesanan tiket transportasi, akomodasi, tiket masuk objek wisata, dan lainnya. Penelitian ini akan melakukan analisis sentimen menggunakan lima metode dan melakukan analisis perbandingan antar metode tesebut. Tujuannya untuk mengetahui cara melakukan analisis sentimen dan melakukan analisis perbandingan serta mendapatkan hasil yang paling baik untuk analisis sentimen Traveloka di Twitter. Penelitian ini menggunakan Twitter untuk memperoleh data dan hanya berfokus pada tweet mengenai Traveloka. Analisis sentimen juga memberikan manfaat bagi Traveloka dalam memantau dan menganalisis respon dan tanggapan dari pengguna terhadap produk dan layanan mereka dari ulasan dan feedback yang diunggah oleh pengguna di media sosial seperti Twitter, Traveloka dapat memperoleh wawasan yang berharga mengenai kekuatan dan kelemahan layanan mereka. Dataset terdiri dari 85,6% sentimen positif dan 14,4% sentimen negatif. Dalam analisis ini Library yang digunakan yaitu Scikitlearn. Lima metode klasifikasi yang diterapkan yaitu, Random Forest (RF), Support Vector Machine (SVM), Naive Bayes Classifier (NBC), K-Nearest Neighbor (KNN), dan XGBOOST. Langkah-langkah dalam penelitian ini adalah crawling data, preprocessing data, pembobotan data, klasifikasi, uji model, evaluasi model, analisis perbandingan, dan analisis hasil. Hasilnya menunjukkan bahwa SVM memiliki akurasi lebih baik berdasarkan evaluasi metrik dengan nilai sebesar 90%. Namun, melalui uji model menggunakan AUC, XGBOOST memperoleh nilai tertinggi sebesar 71%.
References
Aziz, A., & Fitri, I. (2021). Analisis Sentimen Terhadap Kebijakan Pemerintah … Metode Naïve Bayes. Jurnal Sains Komputer & Informatika (J-SAKTI, 5(2), 7806700.
Bei, F., & Sudin, S. (2021). Analisis Sentimen Aplikasi Tiket Online Di Play Store Menggunakan Metode Support Vector Machine (Svm). Sismatik, 01(01), 91–97.
Buntoro, G. A. (2016). Analisis Sentimen Hatespeech Pada Twitter Dengan Metode Naïve Bayes Classifier Dan Support Vector Machine. Jurnal Dinamika Informatika, 5(2), 1–13.
Christanto, H., Rahmad, J., Sinurat, S. H., & Ryan, D. (2023). Analisis Perbandingan Decision Tree , Support Vector Machine , dan XGBOOST dalam Mengklasifikasi Review Hotel Trip Advisor. 9(1), 306–319.
Clinten, B. (2019). Pengguna Aktif Harian Twitter Indonesia Diklaim Terbanyak. Kompas. com.
Diekson, Z. A., Prakoso, M. R. B., Putra, M. S. Q., Syaputra, M. S. A. F., Achmad, S., & Sutoyo, R. (2023). Sentiment analysis for customer review: Case study of Traveloka. Procedia Computer Science, 216(2022), 682–690. https://doi.org/10.1016/j.procs.2022.12.184
DQLab (n.d.). (2023). RapidMiner adalah salah satu tools data science andalan bagi para data experts. Informasi ini dapat diakses dari https://dqlab.id/rapidminer--tools-data-science-andalan-data-experts.
Databoks. (2022). Survei Populix: Traveloka Aplikasi Perjalanan Online Paling Banyak Disukai Konsumen. Databoks. https://databoks.katadata.co.id/datapublish/2022/12/16/survei-populix-traveloka-aplikasi-perjalanan-online-paling-banyak-disukai-konsumen
Diskominfo. (2023). Apa itu bahasa Python?. diskominfo.kedirikab.go.id. https://diskominfo.kedirikab.go.id/baca/apa-itu-bahasa-python
Fitri, E. (2020). Analisis Sentimen Terhadap Aplikasi Ruangguru Menggunakan Algoritma Naive Bayes , Random Forest Dan Support Vector Machine. Jurnal Transformatika, 18(1), 71. https://doi.org/10.26623/transformatika.v18i1.2317
Herni Yulianti, S. E., Oni Soesanto, & Yuana Sukmawaty. (2022). Penerapan Metode Extreme Gradient Boosting (XGBOOST) pada Klasifikasi Nasabah Kartu Kredit. Journal of Mathematics Theory and Application, 4(1), 21–26. https://doi.org/10.31605/jomta.v4i1.1792
Ikegami, A., Dewa, I., Bayu, M., & Darmawan, A. (2022). Analisis Sentimen dan Pemodelan Topik Ulasan Aplikasi Noice Menggunakan XGBOOST dan LDA. Jnatia, 1(1), 325–336.
Iskandar, J., Christanti Mawardi, V., & Hendryli, J. (n.d.). SEMINAR NASIONAL CORISINDO Analisis Sosial Media Layanan Provider Internet Menggunakan Algoritma XGBOOST.
Jumeilah, F. S. (2017). Penerapan Support Vector Machine (SVM) untuk Pengkategorian Penelitian. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 1(1), 19–25. https://doi.org/10.29207/resti.v1i1.11
Muhammadin, A., & Sobari, I. A. (2021). Analisis Sentimen Pada Ulasan Aplikasi Kredivo Dengan Algoritma Svm Dan Nbc. Reputasi: Jurnal Rekayasa Perangkat Lunak, 2(2), 85–91. https://doi.org/10.31294/reputasi.v2i2.785
Novalita, N., Herdiani, A., Lukmana, I., & Puspandari, D. (2019). Cyberbullying identification on Twitter using Random Forest classifier. Journal of Physics: Conference Series, 1192(1). https://doi.org/10.1088/1742-6596/1192/1/012029
Resti Wardani, N., Saepudin, S., & Warman, C. (2022). Sentimen Analisis Kegiatan Trading Pada Ap-likasi Twitter dengan Algoritma SVM, KNN Dan Random Forrest. Jurnal Sains Komputer & Informatika (J-SAKTI, 6(2), 1–8.
R. H. Hama Aziz and N. Dimililer, “SentiXGboost: enhanced sentiment analysis in social media posts with ensemble XGBoost classifier,” Journal of the Chinese Institute of Engineers, vol. 44, no. 6, pp. 562–572, Aug. 2021, doi: 10.1080/02533839.2021.1933598.
Sihombing, L. O., Hannie, H., & Dermawan, B. A. (2021). Sentimen Analisis Customer Review Produk Shopee Indonesia Menggunakan Algortima Naïve Bayes Classifier. Edumatic: Jurnal Pendidikan Informatika, 5(2), 233–242. https://doi.org/10.29408/edumatic.v5i2.4089
Suyanto. 2019. Data Mining Untuk Klasifikasi dan Klasterisasi Data. Bandung. Informatika Bandung.
Santosa B & Umam A. 2018. Data Mining dan Big Data Analtics. Yogyakarta. Penebar Media Pustaka.
Suntoro J. 2019. Data Mining: Algoritma dan Implementasi dengan Pemograman PHP. Jakarta. PT Elex Media Komputindo
Serafica Gischa. (2022). Revolusi Digital. Kompas.com. https://www.kompas.com/skola/read/2022/06/27/200000569/pengertian-revolusi-digital-dan-tantangannya?page=all
Wandani, A. (2021). Sentimen Analisis Pengguna Twitter pada Event Flash Sale Menggunakan Algoritma K-NN, Random Forest, dan Naive Bayes . Jurnal Sains Komputer & Informatika (J-SAKTI, 5(2), 651–665.
Zhafira, D. F., Rahayudi, B., & Indriati, I. (2021). Analisis Sentimen Kebijakan Kampus Merdeka Menggunakan Naive Bayes dan Pembobotan TF-IDF Berdasarkan Komentar pada Youtube. Jurnal Sistem Informasi, Teknologi Informasi, Dan Edukasi Sistem Informasi, 2(1), 55–63. https://doi.org/10.25126/justsi.v2i1.24
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2024 Tiara Sartina Jayanti, Budiman Budiman, Chairul Habibi, Elia Setiana
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish articles in SisInfo : Jurnal Sistem Informasi dan Informatika agree to the following terms:
- Authors retain copyright of the article and grant the journal right of first publication with the work simultaneously licensed under a CC-BY-SA or The Creative Commons Attribution-ShareAlike License.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).
