ANALISIS SENTIMEN DAN ANALISIS DATA EKSPLORATIF ULASAN APLIKASI MARKETPLACE GOOGLE PLAYSTORE
DOI:
https://doi.org/10.31328/ciastech.v0i0.3343Keywords:
analisis, sentimen, eksploratif, marketplace, playstore, appsAbstract
Pandemi COVID-19 dan perkembangan teknologi informasi mendorong peningkatan aktivitas belanja secara online. Aplikasi marketplace berbasis Android saat ini paling banyak diminati masyarakat karena mempunyai banyak kelebihan diantaranya dapat di akses 24 jam, banyaknya diskon, promo dan bebas ongkos kirim. Marketplace yang populer dan banyak di unduh melalui Google Playstore saat ini adalah Shopee, Tokopedia dan Lazada. Untuk mengetahui umpan balik dari pengguna, dapat dilakukan dengan menganalisa sentimen setiap tanggapan terhadap aplikasi. Dalam penelitian ini penulis menyajikan analisis sentimen (Sentiment Analysis) dan Exploratory Data Analysis (EDA). Berdasarkan EDA, Lazada mendapat review paling baik (4-5) lebih banyak daripada aplikasi Shopee dan Tokopedia yang berarti pengguna yang menggunakan Lazada lebih senang dengan layanan mereka daripada Tokopedia dan Shopee yang masih perlu meningkatkan layanannya. Klasifikasi sentimen menggunakan metode Algoritma Decission Tree (DT) dan Random Forest (RF) memiliki nilai akurasi tertinggi dalam setiap pelatihan. Maksimum nilai akurasi dalam pelatihan menggunakan model DT dan RF adalah 96,55% model SVM-RBF, dan RF menghasilkan tingkat akurasi maksimum 60.08% dalam proses pengujian.References
M. I. Ahmadi, F. Apriani, M. Kurniasari, S. Handayani, and D. Gustian, “SENTIMENT ANALYSIS ONLINE SHOP ON THE PLAY STORE USING METHOD SUPPORT VECTOR MACHINE (SVM),†p. 8, 2020.
R. Wahyudi and G. Kusumawardhana, “Analisis Sentimen pada review Aplikasi Grab di Google Play Store Menggunakan Support Vector Machine,†J. Inform., vol. 8, no. 2, p. 8, 2021.
S. Moghaddam, “Beyond Sentiment Analysis: Mining Defects and Improvements from Customer Feedback,†in Advances in Information Retrieval, vol. 9022, A. Hanbury, G. Kazai, A. Rauber, and N. Fuhr, Eds. Cham: Springer International Publishing, 2015, pp. 400–410. doi: 10.1007/978-3-319-16354-3_44.
A. Bezerra, I. Silva, L. A. Guedes, D. Silva, G. Leitão, and K. Saito, “Extracting Value from Industrial Alarms and Events: A Data-Driven Approach Based on Exploratory Data Analysis,†Sensors, vol. 19, no. 12, p. 2772, Jun. 2019, doi: 10.3390/s19122772.
N. Kamaruddin, S. A. Abas, and A. Wahab, “Comparative Study on Sentiment Analysis Approach for Online Shopping Review,†Turk. J. Comput. Math. Educ. TURCOMAT, vol. 12, no. 3, pp. 1358–1370, Apr. 2021, doi: 10.17762/turcomat.v12i3.907.
V. A. and S. S. Sonawane, “Sentiment Analysis of Twitter Data: A Survey of Techniques,†Int. J. Comput. Appl., vol. 139, no. 11, pp. 5–15, Apr. 2016, doi: 10.5120/ijca2016908625.
U. Rhohmawati, I. Slamet, and H. Pratiwi, “Sentiment Analysis Using Maximum Entropy on Application Reviews (Study Case: Shopee on Google Play),†J. Ilm. Tek. Elektro Komput. Dan Inform., vol. 5, no. 1, Jul. 2019, doi: 10.26555/jiteki.v5i1.13087.
M. Azhar, N. Hafidz, B. Rudianto, and W. Gata, “Marketplace Sentiment Analysis Using Naive Bayes And Support Vector Machine,†PIKSEL Penelit. Ilmu Komput. Sist. Embed. Log., vol. 8, no. 2, pp. 91–100, Sep. 2020, doi: 10.33558/piksel.v8i2.2272.
S. Fransiska and A. I. Gufroni, “Sentiment Analysis Provider by.U on Google Play Store Reviews with TF-IDF and Support Vector Machine (SVM) Method,†Sci. J. Inform., vol. 7, no. 2, p. 10, 2020.
S. Ranjan and S. Mishra, “Comparative Sentiment Analysis of App Reviews,†ArXiv200609739 Cs Stat, Jun. 2020, Accessed: Dec. 12, 2021. [Online]. Available: http://arxiv.org/abs/2006.09739
A. Rahman, E. Utami, and S. Sudarmawan, “Sentimen Analisis Terhadap Aplikasi pada Google Playstore Menggunakan Algoritma Naïve Bayes dan Algoritma Genetika,†J. Komtika Komputasi Dan Inform., vol. 5, no. 1, pp. 60–71, Jul. 2021, doi: 10.31603/komtika.v5i1.5188.
B. Gupta, M. Negi, K. Vishwakarma, G. Rawat, and P. Badhani, “Study of Twitter Sentiment Analysis using Machine Learning Algorithms on Python,†Int. J. Comput. Appl., vol. 165, no. 9, pp. 29–34, May 2017, doi: 10.5120/ijca2017914022.
M. Rahmany, A. M. Zin, and E. A. Sundararajan, “COMPARING TOOLS PROVIDED BY PYTHON AND R FOR EXPLORATORY DATA ANALYSIS,†IJISCS Int. J. Inf. Syst. Comput. Sci., vol. 4, no. 3, Art. no. 3, Nov. 2020.
S. W. Iriananda, M. A. Muslim, and H. S. Dachlan, “Identifikasi Kemiripan Teks Menggunakan Class Indexing Based dan Cosine Similarity Untuk Klasifikasi Dokumen Pengaduan,†MATICS, vol. 10, no. 2, p. 30, Mar. 2019, doi: 10.18860/mat.v10i2.5327.
H. Nguyen, A. Veluchamy, M. Diop, and R. Iqbal, “Comparative Study of Sentiment Analysis with Product Reviews Using Machine Learning and Lexicon-Based Approaches,†vol. 1, no. 4, p. 23, 2018.
S. Robertson, “Understanding inverse document frequency: on theoretical arguments for IDF,†J. Doc., vol. 60, no. 5, pp. 503–520, Oct. 2004, doi: 10.1108/00220410410560582.
K. Spärck Jones, “IDF term weighting and IR research lessons,†J. Doc., vol. 60, no. 5, pp. 521–523, Oct. 2004, doi: 10.1108/00220410410560591.
Ö. Akar and O. Güngör, “Classification of multispectral images using Random Forest algorithm,†J. Geod. Geoinformation, vol. 1, no. 2, pp. 105–112, 2012, doi: 10.9733/jgg.241212.1.
G. Khanvilkar and Prof. Deepali Vora, “Sentiment Analysis for Product Recommendation Using Random Forest,†Int. J. Eng. Technol., vol. 7, no. 3.3, p. 87, Jun. 2018, doi: 10.14419/ijet.v7i3.3.14492.
