ANALISIS SENTIMEN BAHASA INDONESIA PADA PLATFORM METASUITE MENGGUNAKAN METODE TF-IDF DAN MULTINOMINAL NAÏVE BAYES

Rama Adipoera Wangsa; Dian Ade Kurnia; Yudhistira Arie Wijaya; Puji Pramudya Marta

Authors

Rama Adipoera Wangsa STMIK IKMI Cirebon, Indonesia
Dian Ade Kurnia STMIK IKMI Cirebon, Indonesia
Yudhistira Arie Wijaya STMIK IKMI Cirebon, Indonesia
Puji Pramudya Marta STMIK IKMI Cirebon, Indonesia

Keywords:

Analisis sentimen, TF-IDF, Multinomial Naïve Bayes, Teks Bahasa Indonesia, Meta Business Suite

Abstract

Penelitian ini bertujuan menganalisis sentimen ulasan pengguna terhadap aplikasi Meta Business Suite menggunakan pendekatan klasifikasi berbasis teks. Sebanyak 1.000 ulasan berbahasa Indonesia dikumpulkan dari Google Play Store dan diproses untuk mengidentifikasi pola sentimen positif, netral, dan negatif. Penelitian ini menerapkan rangkaian langkah utama yang mencakup preprocessing teks, ekstraksi fitur menggunakan TF-IDF, pencarian parameter optimal melalui GridSearch, serta evaluasi model untuk mengukur performa klasifikasi. Hasil penelitian menunjukkan bahwa distribusi sentimen awal sangat tidak seimbang, dengan dominasi ulasan positif. Setelah penyeimbangan data dilakukan, model Multinomial Naïve Bayes mencapai akurasi 0,954 dan F1-macro 0,811, yang mencerminkan kemampuan model dalam mengenali pola bahasa pada tiga kategori sentimen. Kinerja terbaik diperoleh pada kelas positif, sedangkan kelas negatif dan netral menghasilkan skor lebih rendah akibat variasi bahasa, ambiguitas makna, dan sedikitnya sampel pada kelas minoritas. Temuan ini menunjukkan bahwa metode TF-IDF dan Multinomial Naïve Bayes masih efektif untuk analisis sentimen pada teks pendek dan tidak formal. Penelitian ini memberikan gambaran awal tentang persepsi pengguna terhadap Meta Business Suite serta dapat menjadi acuan untuk pengembangan model sentimen yang lebih akurat pada platform atau dataset lain.

References

Adi, S., Mola, S., Lyan, D., Baun, B., Nunes, I. O., Maria, M., & Rani, A. (2024). ANALISIS SENTIMEN APLIKASI HALO BCA DI GOOGLE PLAY STORE MENGGUNAKAN METODE NAIVE BAYES , SUPPORT VECTOR MACHINE DAN RANDOM FOREST PENDAHULUAN. 15(c), 69–79.

Anggani, H. S., Perdana, R. G., & Siregar, E. (2021). The effect of coating chitosan on Porphyromonas gingivalis biofilm formation in the surface of orthodontic mini-implant. https://doi.org/10.4103/japtr.JAPTR

Brasil, O. (2003). Biodiesel.

Buda, M., Maki, A., & Mazurowski, M. A. (2018). in convolutional neural networks ∗. 249–259.

Capsicum, C., Farming, A. L., Andelia, S. R., Wardani, F., Novriana, Z., Adriani, D., Yanuarti, A., & Saputra, D. (2022). Development Strategy of Farming : 210(Seabc 2021), 128–135.

Desviat, M., & Ribeiro, V. (n.d.). A reforma psiquiátrica.

Habernal, I., & Gurevych, I. (2016). Which argument is more convincing ? Analyzing and predicting convincingness of Web arguments using bidirectional LSTM. 1589–1599.

Johnson, R. (n.d.). Semi-supervised Convolutional Neural Networks for Text Categorization via Region Embedding. 1–9.

Kasus, S., Industri, H., Di, K., & Baru, K. (2021). Jurnal Inovasi Penelitian. 1(8).

Kevin, T., Arnaud, H., Carole, D. P., Carmen, G., & Christophe, L. (2018). Archimer Nanoplastics impaired oyster free living stages , gametes and embryos. 242(November), 1226–1235. https://doi.org/10.1016/j.envpol.2018.08.020

Lestari, B. B., Widyatama, P. R., Sandri, A., & Selek, D. (2022). PEMANFAATAN WORDWALL SEBAGAI MEDIA PEMBELAJARAN : PELATIHAN GURU DI SMA MUHAMMADIYAH 1 TAMAN SIDOARJO. 3(1), 176–184.

Lestari, H., Setiawan, W., & Siskandar, R. (2020). Science Literacy Ability of Elementary Students Through Nature of Science-based Learning with the Utilization of the Ministry of Education and Culture ’ s " Learning House ". 6(2). https://doi.org/10.29303/jppipa.v6i2.410

Marneffe, M. De, & Manning, C. D. (2016). Stanford typed dependencies manual. September, 1–28.

Márton, M. (2022). Vector Semantics and Embeddings Vector semantics and embeddings.

Mccallum, A. K. (n.d.). Employing EM and Pool-Based Active Learning for Text Classification.

Medhat, W., Hassan, A., & Korashy, H. (2014). Sentiment analysis algorithms and applications : A survey. Ain Shams Engineering Journal, 5(4), 1093–1113. https://doi.org/10.1016/j.asej.2014.04.011

Putri, L. A., & Dewi, P. S. (2020). Media Pembelajaran Menggunakan Video Atraktif pada Materi Garis Singgung Lingkaran. 2(1), 32–39.

Rennie, J. D. M., Shih, L., Teevan, J., & Karger, D. R. (2003). Tackling the Poor Assumptions of Naive Bayes Text Classifiers. 1973.

Santos, A., & Tabarelli, M. (2015). Chronic anthropogenic disturbance drives the biological impoverishment of the Brazilian Caatinga vegetation. iii, 611–620. https://doi.org/10.1111/1365-2664.12420

Sari, A., Anggaraini, R. S., Prasetyo, R. B., Ners, P. P., Awal, S., & Batam, B. (2022). Pundi mas|. 29–36.

Series, C. (2017). E-Service Quality Evaluation on E-Government Website : Case Study BPJS Kesehatan Indonesia E-Service Quality Evaluation on E-Government Website : Case Study BPJS Kesehatan Indonesia. https://doi.org/10.1088/1742-6596/755/1/011001

Sokolova, M., & Lapalme, G. (2009). A systematic analysis of performance measures for classification tasks. Information Processing and Management, 45(4), 427–437. https://doi.org/10.1016/j.ipm.2009.03.002

Syntax Literate : (2018). 3(4), 93–102.

Tambunan, A. L. (2021). ANALISIS PENGARUH FINANCIAL LEVERAGE , UKURAN PERUSAHAAN , DAN STRUKTUR KEPEMILIKAN. 4(1), 1–13.

Vol, M. I., & No, X. I. V. (2020). MENARA Ilmu Vol. XIV No.02 Oktober 2020. XIV(02), 89–96.

Wibowo, T. S., Ginting, H. B., Aini, N., Hukum, J., Ekonomi, P., Akuntansi, J., Widya, U., Pontianak, D., Manajemen, J., Manajemen, J., Tama, U., Akuntansi, J., & Kusuma, U. W. (2023). Available at http://jurnal.stie-aas.ac.id/index.php/jap. 23(02), 1–4.

Wulandari, A. S., & Hidayatullah, C. A. (2021). Efektivitas Palmarosa ( Cymbopogon Martinii Roxb .) sebagai Inang dalam Perbanyakan Spora Fungi Mikoriza Arbuskula. 1, 85–94.

Yavitt, J. B., Harms, K. E., Garcia, M. N., Wright, S. J., He, F., & Mirabello, M. J. (2009). Spatial heterogeneity of soil chemical properties in a lowland tropical moist forest , Panama. 674–687.

Zhu, F., Shi, Z., Qin, C., Tao, L., Liu, X., Xu, F., Zhang, L., Song, Y., Liu, X., Zhang, J., Han, B., & Zhang, P. (2012). Therapeutic target database update 2012 : a resource for facilitating target-oriented drug discovery. 40(September 2011), 1128–1136. https://doi.org/10.1093/nar/gkr797