IMPLEMENTASI ANALISIS SENTIMEN E-COMMERCE BERBASIS ASPEK PADA MEDIA SOSIAL TWITTER MENGGUNAKAN ALGORITMA SVM DENGAN BINARYCLASS DAN MULTICLASS

Surbakti, Andre Christian (2024) IMPLEMENTASI ANALISIS SENTIMEN E-COMMERCE BERBASIS ASPEK PADA MEDIA SOSIAL TWITTER MENGGUNAKAN ALGORITMA SVM DENGAN BINARYCLASS DAN MULTICLASS. Other thesis, UPN Veteran Yogyakarta.

	Text Abstak.pdf Download (12kB)
	Text Cover.pdf Download (201kB)
	Text Daftar Pustaka.pdf Download (117kB)
	Text Halaman Penesahan Penguji.pdf Download (589kB)
	Text Halaman Pengesahan Pembimbing.pdf Download (1MB)
	Text SKRIPSI FULL_Andre Christian Surbakti_123190029.pdf Restricted to Repository staff only Download (3MB)
	Text daftar isi.pdf Download (120kB)

Abstract

vi
ABSTRAK
Perkembangan teknologi telah mendorong pertumbuhan e-commerce di Indonesia,
dengan banyaknya pengguna yang memanfaatkan platform seperti Tokopedia,
Shopee, Bukalapak, Lazada, dan Blibli untuk berbelanja secara online. Media sosial,
terutama Twitter, menjadi platform yang populer bagi masyarakat untuk
menyampaikan opini mereka terkait pengalaman berbelanja. Penelitian ini bertujuan
untuk menganalisis sentimen pengguna Twitter terhadap layanan e-commerce di
Indonesia dengan menggunakan pendekatan berbasis aspek. Pendekatan ini
memungkinkan pengklasifikasian sentimen tidak hanya pada level dokumen atau
kalimat, tetapi juga pada level aspek tertentu, sehingga dapat memberikan informasi
yang lebih mendalam mengenai kepuasan pengguna terhadap berbagai fitur layanan e-
commerce. Metode Support Vector Machine (SVM) diterapkan, dengan teknik
Binaryclass dan Multiclass untuk klasifikasi sentimen, serta Term Frequency-Inverse
Document Frequency (TF-IDF) sebagai metode pembobotan istilah. Melalui analisis
ini, diharapkan dapat diperoleh wawasan mengenai sektor-sektor layanan yang perlu
diperbaiki untuk meningkatkan kepuasan pengguna e-commerce.
Penelitian ini dilakukan untuk menganalisis sentimen pengguna e-commerce pada
media sosial Twitter dan mengukur akurasi, presisi, dan recall dari algoritma Support
Vector Machine dengan Binaryclass dan Multiclass. Data diambil dari situs web
Apify yang menyediakan fitur web scraping untuk mengumpulkan data dari web.
Setelah data diperoleh, pelabelan dilakukan secara manual, diikuti oleh preprocessing
untuk menyiapkan data, dan pembobotan dilakukan menggunakan TF-IDF. Pelatihan
model SVM dilakukan menggunakan kernel RBF dan pendekatan OVA (One vs All)
untuk klasifikasi pada multiclass. Dari 2000 tweet hasil scraping, 1600 tweet (80%)
digunakan sebagai data latih dan 400 tweet (20%) sebagai data uji.
Untuk Binaryclass, diperoleh akurasi sebesar 97%, presisi sebesar 96,15%, dan recall
sebesar 69%. Sedangkan untuk Multiclass, diperoleh akurasi sebesar 84,75%, presisi
sebesar 88,22%, dan recall sebesar 81,17%.
Kata kunci : E-commerce, Analisis Sentimen, SVM, Confusion Matrix
vii
ABSTRACT
Technological advancements have driven the growth of e-commerce in
Indonesia, with numerous users utilizing platforms such as Tokopedia, Shopee,
Bukalapak, Lazada, and Blibli for online shopping. Social media, particularly
Twitter, has become a popular platform for people to express their opinions about
their shopping experiences. This study aims to analyze the sentiment of Twitter users
towards e-commerce services in Indonesia using an aspect-based approach. This
approach enables sentiment classification not only at the document or sentence level
but also at specific aspect levels, providing deeper insights into user satisfaction with
various e-commerce service features. The Support Vector Machine (SVM) method is
applied, using both Binaryclass and Multiclass techniques for sentiment
classification, and Term Frequency-Inverse Document Frequency (TF-IDF) as the
term weighting method. This analysis is expected to provide insights into service
sectors that need improvement to enhance e-commerce user satisfaction.
This research was conducted to analyze the sentiment of e-commerce users on Twitter
and to measure the accuracy, precision, and recall of the Support Vector Machine
algorithm using Binaryclass and Multiclass. Data was collected from the Apify
website, which provides web scraping features for gathering data from the web. After
data collection, manual labeling was performed, followed by preprocessing to
prepare the data, and term weighting was done using TF-IDF. The SVM model was
trained using the RBF kernel and the OVA (One vs All) approach for multiclass
classification. Out of 2000 scraped tweets, 1600 tweets (80%) were used for training
data, and 400 tweets (20%) were used for testing.
For Binaryclass, the results showed an accuracy of 97%, precision of 96.15%, and
recall of 69%. For Multiclass, the accuracy was 84.75%, precision was 88.22%, and
recall was 81.17%.
Keywords: E-commerce, Sentiment Analysis, SVM, Confusion Matrix
3

Item Type:	Thesis (Other)
Uncontrolled Keywords:	E-commerce, Sentiment Analysis, SVM, Confusion Matrix 3
Subjects:	Z Bibliography. Library Science. Information Resources > ZA Information resources
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eko Yuli
Date Deposited:	24 Sep 2024 06:27
Last Modified:	24 Sep 2024 06:27
URI:	http://eprints.upnyk.ac.id/id/eprint/41271

Actions (login required)

View Item