ANALISIS SENTIMEN REVIEW DAN CLUSTERING HARGA PRODUK KECANTIKAN PADA SHOPEE DENGAN K-NEAREST NEIGHBOR DAN NATURAL LANGUAGE PROCESSING

ROOSDIAWATI, OKTAVIANI (2022) ANALISIS SENTIMEN REVIEW DAN CLUSTERING HARGA PRODUK KECANTIKAN PADA SHOPEE DENGAN K-NEAREST NEIGHBOR DAN NATURAL LANGUAGE PROCESSING. Other thesis, UPN "Veteran" Yogyakarta.

	Text ABSTRAK.pdf Download (11kB)
	Text COVER.pdf Download (149kB)
	Text DAFTAR ISI.pdf Download (62kB)
	Text DAFTAR PUSTAKA.pdf Download (142kB)
	Text HALAMAN PENGESAHAN PEMBIMBING.pdf Download (525kB)
	Text HALAMAN PENGESAHAN PENGUJI.pdf Download (246kB)
	Text SKRIPSI FULL_Oktaviani Roosdiawati_123170087.pdf Restricted to Repository staff only Download (3MB)

Abstract

Dengan perkembangan marketplace yang sangat pesat, hal ini menyebabkan konsumen
meminta untuk mendapat service lebih dengan maksud untuk memudahkan penarikan kesimpulan
dari analisis sentimen dari sekumpulan ulasan produk tanpa melihat jumlah bintang yang diberikan
pada ulasan dan menyimpulkan harga dari produk yang diinginkan. Ketika melakukan analisis
ulasan produk, tidak lah cukup dengan hanya melihat jumlah banyaknya bintang yang diberikan
oleh konsumen lain untuk mengerti arti atau maksud dari sebuah ulasan produk.
Algoritma K-Nearest Neighbor (KNN) merupakan metode yang cukup baik dalam
klasifikasi dan dapat melakukan sentimen analisis dengan baik serta bekerja lebih efektif jika data
analisis yang digunakan dalam jumlah yang besar, sehingga pemilihan fitur pembobotan TF-IDF
dipilih untuk menangani penelitian dengan jumlah data yang cukup besar. Term Frequency-Invers
Document Frequency (TF-IDF) merupakan numerik yang menunjukkan hubungan antara
beberapa dokumen tertentu sehingga dokumen dapat diidentifikasikan atau dikategorisasikan.
Penambahan Algoritma Natural Language Processing (NLP) dikarenakan untuk menganalisa
ulasan pada produk di marketplace terdapat banyaknya singkatan serta bahasa yang tidak baku
yang akan sulit dimengerti oleh sistem, maka dari itu pendekatan NLP dibutuhkan untuk
memperbaiki bahasa pada ulasan sehingga sistem analisis yang dibangun dapat bekerja maksimal.
Algoritma K-Means sendiri dipilih karena algoritma ini mempunyai kemampuan
mengelompokkan data dalam jumlah cukup besar dengan waktu komputasi yang cepat dan efisien,
selain itu algoritma K-Means adalah algoritma terbaik dalam algoritma Partitional Clustering dan
merupakan algoritma yang sering digunakan untuk clustering karena dirasa sederhana dan sangat
efisien.
Dalam penelitian ini, pengujian dilakukan dengan confusion matrix untuk menghitung nilai
akurasi, presisi, recall dan F1-Score. Pengujian ini akan menggunakan split dataset 90:10
Pengujian akan membandingkan implementasi algoritma menggunakan NLP dan tanpa
menggunakan NLP. Pada model KNN menggunakan NLP proses preprocessing ditambahkan
tahap word normalizer, stemming, menghilangkan unused character, stopword removal dan
negation handling nilai performa yang didapat menghasilkan nilai accuracy tertinggi pada K5
sebesar 83,51% , nilai precision 80.55% , nilai recall 90.625% dan nilai F1-Score 87.83%. Untuk
nilai performa yang didapat pada model KNN tanpa menggunakan NLP menghasilkan nilai
accuracy tertinggi pada K1 sebesar 79,67% , nilai precision 76.53% , nilai recall 84.26% dan nilai
F1-Score 83.33%.
Kata kunci : Analisis Sentimen, K-Nearest Neighbor (KNN), Natural Language Processing (NLP), Marketplace.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Analisis Sentimen, K-Nearest Neighbor (KNN), Natural Language Processing (NLP), Marketplace
Subjects:	T Technology > T Technology (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	A.Md Apriliani Kusuma Wardhani
Date Deposited:	18 Nov 2022 07:41
Last Modified:	18 Nov 2022 07:41
URI:	http://eprints.upnyk.ac.id/id/eprint/31657

Actions (login required)

View Item