Analisis Sentimen Ulasan Pengguna Aplikasi Info BMKG pada Google Play Store di Indonesia
Kata Kunci:
random forest, pelabelan otomatis, analisis sentimen, ulasan, info BMKG, scrapingAbstrak
Teknologi informasi saat ini sudah sangat mempengaruhi kehidupan manusia. Salah satu dampak kemajuan teknologi informasi adalah kemudahan penyebaran informasi. Penyebaran informasi saat ini dapat dilakukan dengan sangat mudah dan cepat melalui jaringan internet, hal ini dimanfaatkan oleh lembaga-lembaga pemerintahan dalam menjalankan tugas mereka sebagai pelayan masyarakat. Salah satu contoh penggunaan teknologi informasi oleh lembaga pemerintahan adalah terciptanya aplikasi Info BMKG. Aplikasi ini merupakan upaya BMKG untuk memberikan informasi seputar kondisi iklim, cuaca, hingga bencana yang terjadi di Indonesia. Ulasan-ulasan tersebut memiliki sentimennya masing-masing baik positif dan negatif. Analisis sentimen dilakukan untuk mengidentifikasi ulasan-ulasan tersebut sehingga menghasilkan data sentimen pengguna yang dapat digunakan sebagai acuan dalam pengembangan aplikasi Info BMKG agar bisa memberikan pelayanan yang lebih baik lagi. Tahap awal penelitian ini dalah mengambil data ulasan dari Google Play Store. Data ulasan diambil dengan menggunakan metode web scraping. Tahap selanjutnya adalah penerapan klasifikasi menggunakan Random Forest Classifier. Pada penerapan menggunakan metode random forest dengan rasio data latih dan data uji 80%:20% pada data tidak seimbang berjumlah 794 yang terbagi menjadi 518 data berlabel positif dan data 276 berlabel negatif didapatkan parameter terbaik menggunakan jumlah pohon sebanyak 150 dan kedalaman pohon 55. Pengujian tersebut menghasilkan nilai akurasi 79%, presisi 78%, recall 74%, dan F1-score 76%.
Referensi
Adrian, M. R., Putra, M. P., Rafialdy, M. H., & Rakhmawati, N. A. (2021). Perbandingan Metode Klasifikasi Random Forest dan SVM Pada Analisis Sentimen PSBB. Jurnal Informatika Upgris, 7(1).
AGUNG ALAN, SAPUTRA, FUJI, A., & MIA, K. (2021). ANALISIS SENTIMEN APLIKASI INVESTASI ONLINE DI GOOGLE PLAY STORE MENGGUNAKAN METODE ALGORITMA RANDOM FOREST (Doctoral dissertation, Nusa Putra University).
Alita, D., & Isnain, A. R. (2020). Pendeteksian Sarkasme pada Proses Analisis Sentimen Menggunakan Random Forest Classifier. Jurnal Komputasi, 8(2), 50-58.
Arif, T. M. (2020). Introduction to Deep Learning for Engineers: Using Python and Google Cloud Platform. Morgan & Claypool Publishers.
Baskoro, B. B., Susanto, I., & Khomsah, S. (2021). Analisis Sentimen Pelanggan Hotel di Purwokerto Menggunakan Metode Random Forest dan TF-IDF (Studi Kasus: Ulasan Pelanggan Pada Situs TRIPADVISOR). Journal of Informatics Information System Software Engineering and Applications (INISTA), 3(2), 21-29.
Chan, J. (2015). Learn Python in one day and learn it well: Python for beginners with hands-on project: the only book you need to start coding in Python immediately. CreateSpace Independent Publishing.
Darwis, D., Siskawati, N., & Abidin, Z. (2021). Penerapan Algoritma Naive Bayes Untuk Analisis Sentimen Review Data Twitter Bmkg Nasional. Jurnal Tekno Kompak, 15(1), 131-145.
Dean, J. (2014). Big data, data mining, and machine learning: value creation for business leaders and practitioners. John Wiley & Sons.
Fachruddin, M. I. (2015). Perbandingan Metode Random Forest Classification Dan Support Vector Machine Untuk Deteksi Epilepsi Menggunakan Data Rekaman Electroen Cephalograph (EGG).
Fitri, V. A., Andreswari, R., & Hasibuan, M. A. (2019). Sentiment analysis of social media Twitter with case of Anti-LGBT campaign in Indonesia using Naïve Bayes, decision tree, and random forest algorithm. Procedia Computer Science, 161, 765-772.
Gunawan, B., Sastypratiwi, H., & Pratama, E. E. (2018). Sistem Analisis Sentimen pada Ulasan Produk Menggunakan Metode Naive Bayes. JEPIN (Jurnal Edukasi dan Penelitian Informatika), 4(2), 113-118.
Gunawan, T. S., Ashraf, A., Riza, B. S., Haryanto, E. V., Rosnelly, R., Kartiwi, M., & Janin, Z. (2020). Development of video-based emotion recognition using deep learning with Google Colab. TELKOMNIKA (Telecommunication Computing Electronics and Control), 18(5), 2463-2471.
Han, J., Kamber, M., & Pei, J. (2001). Data mining concepts and techniques, Morgan Kaufmann Publishers. San Francisco, CA, 335-391.
Haryoko, U. (2008). Identifikasi Kekuatan Dan Kelemahan Komponen Sistem Informasi Iklim (Strength And Weakness Identification Of Climate Information Component). Agromet, 22(2), 132-143.
Himawan, R. D., & Eliyani, E. (2021). Perbandingan Akurasi Analisis Sentimen Tweet terhadap Pemerintah Provinsi DKI Jakarta di Masa Pandemi. JEPIN (Jurnal Edukasi dan Penelitian Informatika), 7(1), 58-63.
Josi, A., & Abdillah, L. A. (2014). Penerapan teknik web scraping pada mesin pencari artikel ilmiah. arXiv preprint arXiv:1410.5777.
Kuhlman, D. (2009). A python book: Beginning python, advanced python, and python exercises (pp. 1-227). Lutz: Dave Kuhlman.
Lengkong, N. C., Safitri, O., Machsus, S., Putra, Y. R., Syahadati, A., & Nooraeni, R. (2021). Analisis Sentimen Penerapan Psbb Di Dki Jakarta Dan Dampaknya Terhadap Pergerakan Ihsg. Jurnal Teknoinfo, 15(1), 20-25.
Lukito, Y., & Chrismanto, A. R. (2015). Perbandingan Metode-Metode Klasifikasi untuk Indoor Positioning System. Jurnal Teknik Informatika dan Sistem Informasi, 1(2).
Menarianti, I. (2015). Klasifikasi data mining dalam menentukan pemberian kredit bagi nasabah koperasi. Jurnal Ilmiah Teknosains, 1(1/November).
Mitchell, R. (2018). Web scraping with Python: Collecting more data from the modern web. " O'Reilly Media, Inc.".
Morama, H. C., Ratnawati, D. E., & Arwani, I. (2022). Analisis Sentimen berbasis Aspek terhadap Ulasan Hotel Tentrem Yogyakarta menggunakan Algoritma Random Forest Classifier. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN, 2548, 964X.
Nosrati, M. (2011). Python: An appropriate language for real world programming. World Applied Programming, 1(2), 110-117.
Rahman, M. F., Alamsah, D., Darmawidjadja, M. I., & Nurma, I. (2017). Klasifikasi Untuk Diagnosa Diabetes Menggunakan Metode Bayesian Regularization Neural Network (RBNN). Jurnal Informatika, 11(1), 36.
Rozi, I. F., Pramono, S. H., & Dahlan, E. A. (2012). Implementasi opinion mining (analisis sentimen) untuk ekstraksi data opini publik pada perguruan tinggi. Jurnal EECCIS (Electrics, Electronics, Communications, Controls, Informatics, Systems), 6(1), 37-43.
Saputra, N., Adji, T. B., & Permanasari, A. E. (2015). Analisis sentimen data presiden Jokowi dengan preprocessing normalisasi dan stemming menggunakan metode naive bayes dan SVM. J. Din. Inform, 5(1), 1-12.
Tan, Y., & Shi, Y. (Eds.). (2016). Data Mining and Big Data: First International Conference, DMBD 2016, Bali, Indonesia, June 25-30, 2016. Proceedings (Vol. 9714). Springer.
Van Rossum, G. (2003). An introduction to Python (p. 115). F. L. Drake (Ed.). Bristol: Network Theory Ltd..
Wilson, T., Wiebe, J., & Hoffmann, P. (2005, October). Recognizing contextual polarity in phrase-level sentiment analysis. In Proceedings of human language technology conference and conference on empirical methods in natural language processing (pp. 347-354).
YUNUS, MUHAMMAD. 2020. “Text Preprocessing Menggunakan Pandas, NLTK Dan Sastrawi Untuk Large Dataset.” Medium. Diakses pada 20 Oktober 2023, dari https://medium.com/@yunusmuhammad007/text-preprocessingmenggunakan-pandas-nltk-dan-sastrawi-untuk-large-dataset-5fb3c0a88571
Zamzami, F. N., & Adiwijaya, A. (2021). Analisis Sentimen Terhadap Review Film Menggunakan Metode Modified Balanced Random Forest dan Mutual Information. JURNAL MEDIA INFORMATIKA BUDIDARMA, 5(2), 415-421.
Zhao, J., Liu, K., & Xu, L. (2016). Sentiment analysis: mining opinions, sentiments, and emotions.
Adrian, M. R., Putra, M. P., Rafialdy, M. H., & Rakhmawati, N. A. (2021). Perbandingan Metode Klasifikasi Random Forest dan SVM Pada Analisis Sentimen PSBB. Jurnal Informatika Upgris, 7(1).
AGUNG ALAN, SAPUTRA, FUJI, A., & MIA, K. (2021). ANALISIS SENTIMEN APLIKASI INVESTASI ONLINE DI GOOGLE PLAY STORE MENGGUNAKAN METODE ALGORITMA RANDOM FOREST (Doctoral dissertation, Nusa Putra University).
Alita, D., & Isnain, A. R. (2020). Pendeteksian Sarkasme pada Proses Analisis Sentimen Menggunakan Random Forest Classifier. Jurnal Komputasi, 8(2), 50-58.
Arif, T. M. (2020). Introduction to Deep Learning for Engineers: Using Python and Google Cloud Platform. Morgan & Claypool Publishers.
Baskoro, B. B., Susanto, I., & Khomsah, S. (2021). Analisis Sentimen Pelanggan Hotel di Purwokerto Menggunakan Metode Random Forest dan TF-IDF (Studi Kasus: Ulasan Pelanggan Pada Situs TRIPADVISOR). Journal of Informatics Information System Software Engineering and Applications (INISTA), 3(2), 21-29.
Chan, J. (2015). Learn Python in one day and learn it well: Python for beginners with hands-on project: the only book you need to start coding in Python immediately. CreateSpace Independent Publishing.
Darwis, D., Siskawati, N., & Abidin, Z. (2021). Penerapan Algoritma Naive Bayes Untuk Analisis Sentimen Review Data Twitter Bmkg Nasional. Jurnal Tekno Kompak, 15(1), 131-145.
Dean, J. (2014). Big data, data mining, and machine learning: value creation for business leaders and practitioners. John Wiley & Sons.
Fachruddin, M. I. (2015). Perbandingan Metode Random Forest Classification Dan Support Vector Machine Untuk Deteksi Epilepsi Menggunakan Data Rekaman Electroen Cephalograph (EGG).
Fitri, V. A., Andreswari, R., & Hasibuan, M. A. (2019). Sentiment analysis of social media Twitter with case of Anti-LGBT campaign in Indonesia using Naïve Bayes, decision tree, and random forest algorithm. Procedia Computer Science, 161, 765-772.
Gunawan, B., Sastypratiwi, H., & Pratama, E. E. (2018). Sistem Analisis Sentimen pada Ulasan Produk Menggunakan Metode Naive Bayes. JEPIN (Jurnal Edukasi dan Penelitian Informatika), 4(2), 113-118.
Gunawan, T. S., Ashraf, A., Riza, B. S., Haryanto, E. V., Rosnelly, R., Kartiwi, M., & Janin, Z. (2020). Development of video-based emotion recognition using deep learning with Google Colab. TELKOMNIKA (Telecommunication Computing Electronics and Control), 18(5), 2463-2471.
Han, J., Kamber, M., & Pei, J. (2001). Data mining concepts and techniques, Morgan Kaufmann Publishers. San Francisco, CA, 335-391.
Haryoko, U. (2008). Identifikasi Kekuatan Dan Kelemahan Komponen Sistem Informasi Iklim (Strength And Weakness Identification Of Climate Information Component). Agromet, 22(2), 132-143.
Himawan, R. D., & Eliyani, E. (2021). Perbandingan Akurasi Analisis Sentimen Tweet terhadap Pemerintah Provinsi DKI Jakarta di Masa Pandemi. JEPIN (Jurnal Edukasi dan Penelitian Informatika), 7(1), 58-63.
Josi, A., & Abdillah, L. A. (2014). Penerapan teknik web scraping pada mesin pencari artikel ilmiah. arXiv preprint arXiv:1410.5777.
Kuhlman, D. (2009). A python book: Beginning python, advanced python, and python exercises (pp. 1-227). Lutz: Dave Kuhlman.
Lengkong, N. C., Safitri, O., Machsus, S., Putra, Y. R., Syahadati, A., & Nooraeni, R. (2021). Analisis Sentimen Penerapan Psbb Di Dki Jakarta Dan Dampaknya Terhadap Pergerakan Ihsg. Jurnal Teknoinfo, 15(1), 20-25.
Lukito, Y., & Chrismanto, A. R. (2015). Perbandingan Metode-Metode Klasifikasi untuk Indoor Positioning System. Jurnal Teknik Informatika dan Sistem Informasi, 1(2).
Menarianti, I. (2015). Klasifikasi data mining dalam menentukan pemberian kredit bagi nasabah koperasi. Jurnal Ilmiah Teknosains, 1(1/November).
Mitchell, R. (2018). Web scraping with Python: Collecting more data from the modern web. " O'Reilly Media, Inc.".
Morama, H. C., Ratnawati, D. E., & Arwani, I. (2022). Analisis Sentimen berbasis Aspek terhadap Ulasan Hotel Tentrem Yogyakarta menggunakan Algoritma Random Forest Classifier. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN, 2548, 964X.
Nosrati, M. (2011). Python: An appropriate language for real world programming. World Applied Programming, 1(2), 110-117.
Rahman, M. F., Alamsah, D., Darmawidjadja, M. I., & Nurma, I. (2017). Klasifikasi Untuk Diagnosa Diabetes Menggunakan Metode Bayesian Regularization Neural Network (RBNN). Jurnal Informatika, 11(1), 36.
Rozi, I. F., Pramono, S. H., & Dahlan, E. A. (2012). Implementasi opinion mining (analisis sentimen) untuk ekstraksi data opini publik pada perguruan tinggi. Jurnal EECCIS (Electrics, Electronics, Communications, Controls, Informatics, Systems), 6(1), 37-43.
Saputra, N., Adji, T. B., & Permanasari, A. E. (2015). Analisis sentimen data presiden Jokowi dengan preprocessing normalisasi dan stemming menggunakan metode naive bayes dan SVM. J. Din. Inform, 5(1), 1-12.
Tan, Y., & Shi, Y. (Eds.). (2016). Data Mining and Big Data: First International Conference, DMBD 2016, Bali, Indonesia, June 25-30, 2016. Proceedings (Vol. 9714). Springer.
Van Rossum, G. (2003). An introduction to Python (p. 115). F. L. Drake (Ed.). Bristol: Network Theory Ltd..
Wilson, T., Wiebe, J., & Hoffmann, P. (2005, October). Recognizing contextual polarity in phrase-level sentiment analysis. In Proceedings of human language technology conference and conference on empirical methods in natural language processing (pp. 347-354).
YUNUS, MUHAMMAD. 2020. “Text Preprocessing Menggunakan Pandas, NLTK Dan Sastrawi Untuk Large Dataset.” Medium. Diakses pada 20 Oktober 2023, dari https://medium.com/@yunusmuhammad007/text-preprocessingmenggunakan-pandas-nltk-dan-sastrawi-untuk-large-dataset-5fb3c0a88571
Zamzami, F. N., & Adiwijaya, A. (2021). Analisis Sentimen Terhadap Review Film Menggunakan Metode Modified Balanced Random Forest dan Mutual Information. JURNAL MEDIA INFORMATIKA BUDIDARMA, 5(2), 415-421.
Zhao, J., Liu, K., & Xu, L. (2016). Sentiment analysis: mining opinions, sentiments, and emotions.
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2023 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
