Meningkatkan Performa Ulasan Berbahasa Indonesia dengan Spelling Corrector Peter Norvig dan Pelabelan SentiStrength_id
DOI:
https://doi.org/10.46880/jmika.Vol9No1.pp92-98Kata Kunci:
Sentiment Analysis, Peter Norvig's Spelling Corrector, SentiStrength_id, Support Vector Machine, Ulasan Berbahasa IndonesiaAbstrak
Transformasi digital didorong oleh meningkatnya jumlah pengguna internet dan telepon seluler di Indonesia, termasuk di dalamnya layanan publik seperti aplikasi PLN Mobile. Tujuan dari penelitian ini adalah untuk mengevaluasi sentimen pengguna terhadap ulasan aplikasi PLN Mobile dan menemukan kesenjangan antara rating dan ulasan pengguna. Melalui web scraping di Google Play Store, dengan jumlah data ulasan 11.004 ulasan antara Januari 2022 dan Desember 2023. Selama langkah preprocessing, SentiStrength_id digunakan sebagai pendekatan pelabelan, dan Support Vector Machine digunakan untuk pemodelan. Korektor ejaan yang menggunakan Peter Norvig diterapkan untuk memperbaiki masalah ejaan. Keakuratan analisis sentimen jauh lebih baik dengan prosedur ini, mencapai 82% pada rasio pembagian data 90:10. Persentase sentimen yang diperoleh adalah 16,5% negatif, 16,1% netral, dan 67,4% positif. Persentase peringkat dan ulasan pengguna yang tidak cocok adalah 23,1% untuk ulasan negatif, 4,5% untuk netral, dan 72,49% untuk ulasan yang positif.
Referensi
Abdillah, W. F., Premana, A., & Herdian Bhakti, R. M. (2021). Analisis Sentimen Penanganan Covid-19 Dengan Support Vector Machine: Evaluasi Leksikon Dan Metode Ekstraksi Fitur. Jurnal Ilmiah Intech : Information Technology Journal of UMUS, 3(2), 160–170.
Ahdiat, A. (2023, August 8). 67% Penduduk Indonesia Punya Handphone pada 2022, Ini Sebarannya. DataBoks. https://databoks.katadata.co.id/datapublish/2023/03/08/67-penduduk-indonesia-punya-handphone-pada-2022-ini-sebarannya
Alfred, R., & Teoh, R. W. (2019). Improving topical social media sentiment analysis by correcting unknown words automatically. Communications in Computer and Information Science, 937, 299–308. https://doi.org/10.1007/978-981-13-3441-2_23
Annur, C. M. (2023, September 9). Proporsi Penggunaan Internet Lewat Ponsel RI Lebih Tinggi dari Rerata Dunia. DataBoks. https://databoks.katadata.co.id/datapublish/2023/09/22/proporsi-penggunaan-internet-lewat-ponsel-ri-lebih-tinggi-dari-rerata-dunia
Asri, Y., Suliyanti, W. N., Kuswardani, D., & Fajri, M. (2022). Pelabelan Otomatis Lexicon Vader dan Klasifikasi Naive Bayes dalam menganalisis sentimen data ulasan PLN Mobile. PETIR, 15(2), 264–275. https://doi.org/10.33322/petir.v15i2.1733
Aulia, B., Utomo, P. E. P., Khaira, U., & Suratno, T. (2021). Analisis Sentimen Tagar #IndonesiaTerserah Di Masa Covid-19 Menggunakan Metode Sentistrength. Jurnal Komputer Dan Informatika, 9(2), 207–213. https://doi.org/10.35508/jicon.v9i2.4275
Ependi, U., Aliya, S., & Wibowo, A. (2023). Sentiment Analysis of Covid-19 Handling in Indonesia Based on Lexicon Weighting. Jurnal Sisfokom (Sistem Informasi Dan Komputer), 12(1), 76–82. https://doi.org/10.32736/sisfokom.v12i1.1615
Fatihah Rahmadayana, & Yuliant Sibaroni. (2021). Sentiment Analysis of Work from Home Activity using SVM with Randomized Search Optimization. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 5(5), 936–942. https://doi.org/10.29207/resti.v5i5.3457
Fortune Indonesia 100. (2023). Fortune Indonesia. https://www.fortuneidn.com/fortune-indonesia-100
Handayani, Y., Hakim, A. R., & Muljono. (2020). Sentiment analysis of Bank BNI user comments using the support vector machine method. Proceedings - 2020 International Seminar on Application for Technology of Information and Communication: IT Challenges for Sustainability, Scalability, and Security in the Age of Digital Disruption, ISemantic 2020, 202–207. https://doi.org/10.1109/iSemantic50169.2020.9234230
Haryalesmana Wahid, D. (2016). Peringkasan Sentimen Esktraktif di Twitter Menggunakan Hybrid TF-IDF dan Cosine Similarity. IJCCS, 10(2), 207–218.
Ilmawan, L. B., & Mude, M. A. (2020). Perbandingan Metode Klasifikasi Support Vector Machine dan Naïve Bayes untuk Analisis Sentimen pada Ulasan Tekstual di Google Play Store. ILKOM Jurnal Ilmiah, 12(2), 154–161. https://doi.org/10.33096/ilkom.v12i2.597.154-161
Khaira, U., Johanda, R., Utomo, P. E. P., & Suratno, T. (2020). Sentiment Analysis Of Cyberbullying On Twitter Using SentiStrength. Indonesian Journal of Artificial Intelligence and Data Mining, 3(1), 21. https://doi.org/10.24014/ijaidm.v3i1.9145
Kulkarni, A., & Shivananda, A. (2019). Natural language processing recipes: Unlocking text data with machine learning and deep learning using python. In Natural Language Processing Recipes: Unlocking Text Data with Machine Learning and Deep Learning using Python. Apress Media LLC. https://doi.org/10.1007/978-1-4842-4267-4
Kusuma, A. T. A., & Ratnasari, C. I. (2023). Comparison Of Spell Correction In Bahasa Indonesia: Peter Norvig, LSTM, And N-Gram. JIKO (Jurnal Informatika Dan Komputer), 6(3), 214–220. https://doi.org/10.33387/jiko.v6i3.7072
Liu, B. (2010). Sentiment Analysis and Subjectivity.
M Isa, S. (2017, October 4). Sentiment Analysis Approaches and Methods. Binus University Graduate Program . https://mti.binus.ac.id/2017/10/04/1900/
Malik Iryana, T., & Pandu Adikara, P. (2021). Analisis Sentimen Masyarakat Terhadap Mass Rapid Transit Jakarta Menggunakan Metode Naïve Bayes Dengan Normalisasi Kata. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 5(6), 2548–2964. http://j-ptiik.ub.ac.id
Martin, R., Santun Naga, D., & Christanti Mawardi, V. (2021). Penggunaan Spelling Correction Dengan Metode Peter Norvig Dan N-Gram.
Mutammiah, Sujaini, H., & Nyoto, R. D. (2017). Analisis Perbandingan Metode Spelling Corrector Peter Norvig dan Spelling Checker BK-Trees pada Kata Berbahasa Indonesia. Jurnal Sistem Dan Teknologi Informasi, 5.
Saefillah, C. A. (2023, April 6). Fungsi & Tujuan Mobile Application Development Pada Bisnis. Optify. https://www.optify.co.id/website-development/fungsi-tujuan-mobile-application-development-pada-bisnis#:~:text=Pengembang%20aplikasi%20mobile%20bertujuan%20untuk,memberikan%20pengalaman%20pengguna%20yang%20optimal.
Sari, S., Utomo, P., Khaira, U., & Suratno, T. (2021). Analisis Sentimen Terhadap Komentar Beauty Shaming Di Media Sosial Twitter Menggunakan Algoritma SentiStrength. IJIRSE: Indonesian Journal of Informatic Research and Software Engineering, 1, 71–78.
Sasmoko, Prof. Dr. I. M. P. (2020, December 4). Membangun Aplikasi Mobile Populer Oleh Memanfaatkan Umpan Balik Pengguna. Binus University Research Interest Group. https://research.binus.ac.id/edutech/2020/12/membangun-aplikasi-mobile-populer-oleh-memanfaatkan-umpan-balik-pengguna/
Sianipar, R., & Setiawan, E. B. (2015). Pendeteksian Kekuatan Sentimen Pada Teks Tweet Berbahasa Indonesia Menggunakan Sentistrength.
Simanjuntak, M. S., Sujaini, H., & Safriadi, N. (2018). Spelling Corrector Bahasa Indonesia dengan Kombinasi Metode Peter Norvig dan N-Gram. JEPIN (Jurnal Edukasi Dan Penelitian Informatika, 4.
Suyanto. (2018). Machine Learning Tingkat Dasar dan Lanjut, Edisi 2 (2nd ed.).
Thomas, V. W. D., & Rumaisa, F. (2022). Analisis Sentimen Ulasan Hotel Bahasa Indonesia Menggunakan Support Vector Machine dan TF-IDF. Jurnal Media Informatika Budidarma, 6(3), 1767. https://doi.org/10.30865/mib.v6i3.4218
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Yessy Asri, Dwina Kuswardani, Josephine Ferdinanda Purba TS
Artikel ini berlisensi Creative Commons Attribution-NonCommercial 4.0 International License.
