ANALISIS SENTIMEN APLIKASI BISA EKSPOR PADA ULASAN PENGGUNA DI GOOGLE PLAY DENGAN NAÏVE BAYES

Enda Suhadi

Abstract


Bisa Ekspor didirikan pada Juli 2020 oleh Julio sebagai platform edukasi untuk ekspor, yang dibentuk dengan tujuan untuk mendukung perekonomian Indonesia, membantu memajukan sektor pertanian, serta memperkenalkan produk Indonesia ke pasar internasional. Aplikasi Bisa Ekspor di Google Play merupakan platform yang memudahkan usernya untuk belajar tentang ekspor hingga menjadi eksportir sejati. Analisis sentimen adalah proses untuk menilai apakah suatu teks mengandung sentimen positif atau negatif. Dalam penelitian ini, analisis sentimen dilakukan menggunakan algoritma Naïve Bayes. Tujuannya adalah untuk menganalisis sentimen user aplikasi Bisa Ekspor di Playstore dengan mengumpulkan data menggunakan teknik web scrapping. Hasil penelitian menunjukkan bahwa dari 3385 data teks yang diambil antara Desember 2020 hingga November 2024, sebagian besar user memberikan pendapat positif. Dari hasil klasifikasi, 1197 teks atau 56,97% dikategorikan sebagai sentimen positif, sementara 904 teks atau 43,03% diklasifikasikan sebagai sentimen negatif. Hal ini menunjukkan bahwa meskipun banyak pendapat positif, ada juga sejumlah user yang memberikan pendapat negatif terhadap aplikasi Bisa Ekspor. Berdasarkan klasifikasi menggunakan metode Naïve Bayes, diperoleh akurasi sebesar 85,80%, precision 81,42%, dan recall 92,76%.

Full Text:

PDF

References


Abraham, A., Gupta, B. K., Maurya, A. S., Verma, S. B., Husain, M., Ali, A., Alshmrany, S., & Gupta, S. (2024). Naïve Bayes Approach for Word Sense Disambiguation System with a Focus on Parts-of-Speech Ambiguity Resolution. IEEE Access, 12(September), 126668–126678. https://doi.org/10.1109/ACCESS.2024.3453912

Al-Ghuribi, S. M., Mohd Noah, S. A., & Tiun, S. (2020). Unsupervised Semantic Approach of Aspect-Based Sentiment Analysis for Large-Scale User Reviews. IEEE Access, 8, 218592–218613. https://doi.org/10.1109/ACCESS.2020.3042312

Ali, S., Wang, G., & Riaz, S. (2020). Aspect based sentiment analysis of ridesharing platform reviews for kansei engineering. IEEE Access, 8, 173186–173196. https://doi.org/10.1109/ACCESS.2020.3025823

Chehal, D., Gupta, P., & Gulati, P. (2022). Evaluating Annotated Dataset of Customer Reviews for Aspect Based Sentiment Analysis. Journal of Web Engineering, 21(2), 145–178. https://doi.org/10.13052/jwe1540-9589.2122

Fitriyani, F., & Arifin, T. (2020). Penerapan Word N-Gram Untuk Sentiment Analysis Review Menggunakan Metode Support Vector Machine (Studi Kasus: Aplikasi Sambara). Sistemasi, 9(3), 610. https://doi.org/10.32520/stmsi.v9i3.954

Fransisco, V., & Rarasati, D. B. (2024). Analisis Sentimen Aplikasi Polri Super App Menggunakan Algoritma Random Forest. Jurnal Ilmiah Sains Dan Teknologi, 8(2), 183–195. https://doi.org/10.47080/saintek.v8i2.3383

He, H., Zhou, G., & Zhao, S. (2022). Exploring E-Commerce Product Experience Based on Fusion Sentiment Analysis Method. IEEE Access, 10(August), 110248–110260. https://doi.org/10.1109/ACCESS.2022.3214752

Insan, M. K., Hayati, U., & Nurdiawan, O. (2023). Analisis Sentimen Aplikasi Brimo Pada Ulasan Pengguna Di. Jurnal Mahasiswa Teknik Informatika, 7(1), 478–483.

Kim, C. G., Hwang, Y. J., & Kamyod, C. (2022). A Study of Profanity Effect in Sentiment Analysis on Natural Language Processing Using ANN. Journal of Web Engineering, 21(3), 751–766. https://doi.org/10.13052/jwe1540-9589.2139

Li, Z., Li, R., & Jin, G. (2020). Sentiment analysis of danmaku videos based on naïve bayes and sentiment dictionary. IEEE Access, 8, 75073–75084. https://doi.org/10.1109/ACCESS.2020.2986582

Maitama, J. Z., Idris, N., Abdi, A., Shuib, L., & Fauzi, R. (2020). A systematic review on implicit and explicit aspect extraction in sentiment analysis. IEEE Access, 8, 194166–194191. https://doi.org/10.1109/ACCESS.2020.3031217

Mughal, N., Mujtaba, G., Shaikh, S., Kumar, A., & Daudpota, S. M. (2024). Comparative Analysis of Deep Natural Networks and Large Language Models for Aspect-Based Sentiment Analysis. IEEE Access, 12(May), 60943–60959. https://doi.org/10.1109/ACCESS.2024.3386969

Saputra, S. A., Rahmatullah, B., & ... (2022). Sentiment Analysis User Ajaib Application Using Naïve Bayes Algorithm. JISICOM (Journal of …, 6(2), 497–505. https://doi.org/10.52362/jisicom.v6i2.964

Tuo, H. (2024). Online Evaluation Information Cascade and Its Impact on Consumer Decision Making: Analyzing Movie Reviews Using Sentiment Corpus. IEEE Access, 12(March), 54650–54660. https://doi.org/10.1109/ACCESS.2024.3389985

Zhou, Y., & Yang, S. (2019). Roles of Review Numerical and Textual Characteristics on Review Helpfulness Across Three Different Types of Reviews. IEEE Access, 7, 27769–27780. https://doi.org/10.1109/ACCESS.2019.2901472




DOI: http://dx.doi.org/10.31000/jika.v9i1.12876

Article Metrics

Abstract - 670 PDF - 1096

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

INDEX BY :