ANALISIS SENTIMEN ULASAN PELANGGAN INDIHOME DI
FACEBOOK DAN TWITTER DENGAN METODE SUPPORT VECTOR
MACHINE DAN NAIVE BAYES KLASIFIKASI
(STUDI KASUS: PT. TELKOM INDONESIA)
Total View This Week0
Total View This Week0
Institusion
Universitas Darma Persada
Author
Dhino Rahmad, Kusuma
Subject
006.754 Online Social Network/Situs Jejaring Sosial, Sosial Media
Datestamp
2023-12-30 08:29:04
Abstract :
Era digital menjadikan internet tidak terpisahkan dari kehidupan sehari-hari, termasuk kemudahan mencari informasi dan berbagi pendapat melalui media sosial seperti Twitter dan Facebook. Di kedua platform ini, pengguna dapat memeberikan ulasan tentang produk termasuk indihome. PT. Telkom Indonesia adalah perusahaan telekomunikasi yang sudah mengeluarkan banyak produk salah satunya adalah IndiHome. IndiHome adalah layanan berupa internet yang dapat digunakan di rumah, perusahaan, bahkan perumahaan. IndiHome mendapatkan banyak sekali ulasan pada sosial media yang mencerminkan tingginya sentimen pengguna terhadap layanan tersebut. Namun saat ini pihak PT. Telkom Indonesia belum menetahui secara lengkap mengenai pendapat dan ulasan pelanggan di media sosial, baik itu bersifat positif atau negatif. Oleh sebab itu, penelitian ini mencoba menganalisis sentimen pada layanan internet IndiHome apakah positif atau negatif dan membandingkan efektivitas algoritma Support Vector Machine dan Naive Bayes dalam analisis sentimen. Penelitian ini menggunakan SDLC (System Development Life Cycle) dalam mengembangkan aplikasi dan menguji akurasi dengan membagi data menjadi 5000 data ulasan pada tahap Analisa kebutuhan. Selanjutnya, tahap implementasi menerapkan CRISP-DM dalam mengembangkan model data mining. Hasil penelitian ini menunjukkan bahwa analisis sentimen layanan internet IndiHome memiliki 2175 data ulasan dengan 1131 sentimen negatif dan 1044 sentimen positif. Visualisasi dilakukan melalui Pie Chart. Hasil pelatihan menggunakan model Support Vector Machine dan Naïve Bayes dengan data training sebesar 1957 data menunjukkan akurasi 96% pada Support Vector Machine dan 88% pada Naïve Bayes. Pengujian dengan 218 data uji menghasilkan tingkat kesalahan 9 data dan tingkat pengujian dengan benar 209 data pada Support Vector Machine. Sementara pada Naïve Bayes, terdapat 28 data kesalahan dan 190 data benar. Dalam kesimpulan, algoritma Support Vector Machine memiliki kinerja lebih baik dibandingkan dengan Naïve Bayes berdasarkan akurasi dan tingkat kesalahan pengujian.
Era digital menjadikan internet tidak terpisahkan dari kehidupan sehari-hari, termasuk kemudahan mencari informasi dan berbagi pendapat melalui media sosial seperti Twitter dan Facebook. Di kedua platform ini, pengguna dapat memeberikan ulasan tentang produk termasuk indihome. PT. Telkom Indonesia adalah perusahaan telekomunikasi yang sudah mengeluarkan banyak produk salah satunya adalah IndiHome. IndiHome adalah layanan berupa internet yang dapat digunakan di rumah, perusahaan, bahkan perumahaan. IndiHome mendapatkan banyak sekali ulasan pada sosial media yang mencerminkan tingginya sentimen pengguna terhadap layanan tersebut. Namun saat ini pihak PT. Telkom Indonesia belum menetahui secara lengkap mengenai pendapat dan ulasan pelanggan di media sosial, baik itu bersifat positif atau negatif. Oleh sebab itu, penelitian ini mencoba menganalisis sentimen pada layanan internet IndiHome apakah positif atau negatif dan membandingkan efektivitas algoritma Support Vector Machine dan Naive Bayes dalam analisis sentimen. Penelitian ini menggunakan SDLC (System Development Life Cycle) dalam mengembangkan aplikasi dan menguji akurasi dengan membagi data menjadi 5000 data ulasan pada tahap Analisa kebutuhan. Selanjutnya, tahap implementasi menerapkan CRISP-DM dalam mengembangkan model data mining. Hasil penelitian ini menunjukkan bahwa analisis sentimen layanan internet IndiHome memiliki 2175 data ulasan dengan 1131 sentimen negatif dan 1044 sentimen positif. Visualisasi dilakukan melalui Pie Chart. Hasil pelatihan menggunakan model Support Vector Machine dan Naïve Bayes dengan data training sebesar 1957 data menunjukkan akurasi 96% pada Support Vector Machine dan 88% pada Naïve Bayes. Pengujian dengan 218 data uji menghasilkan tingkat kesalahan 9 data dan tingkat pengujian dengan benar 209 data pada Support Vector Machine. Sementara pada Naïve Bayes, terdapat 28 data kesalahan dan 190 data benar. Dalam kesimpulan, algoritma Support Vector Machine memiliki kinerja lebih baik dibandingkan dengan Naïve Bayes berdasarkan akurasi dan tingkat kesalahan pengujian.
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
