Analisis Sentimen terhadap Ulasan Aplikasi Canva di Play Store dengan Menggunakan Pendekatan Lexicon dan Algoritma Decision Tree
DOI:
https://doi.org/10.70309/ticom.v13i2.133Keywords:
analisis sentimen, lexicon, Decision Tree, Play Store, Business Model Canvas (BMC)Abstract
Aplikasi Canva merupakan aplikasi yang digunakan untuk desain grafis seperti pembuatan presentasi online, poster, infografis, dan kebutuhan desain. Analisis sentimen aplikasi Canva dilakukan dengan mengumpulkan ulasan dari pengguna aplikasi tersebut. Ulasan pengguna yang dikumpulkan melalui teknik scraping menggunakan google colab dan dianalisis untuk mengidentifikasi sentimen positif, netral, dan negatif. Data yang diperoleh kemudian diolah pada tahapan preprocessing data, seperti cleaning, tokenisasi, normalisasi, dan pelabelan otomatis menggunakan metode lexicon Vader. Tujuan pada penelitian ini yiatu untuk menganalisis ulasan pengguna aplikasi Canva di Play Store dengan menggunakan pendekatan lexicon dan algoritma Decision Tree. Model klasifikasi Decision Tree digunakan untuk mengolah data yang telah dilabeli dengan hasil evaluasi menunjukkan akurasi sebesar 87%. Performa terbaik dicapai pada kelas "2" (positif) dengan nilai precision 90%, recall 89%, dan F1-score 89%, yang mencerminkan keseimbangan yang baik antara precision dan recall. Hasil penelitian ini membuktikan bahwa algoritma Decision Tree efektif dalam mengklasifikasikan sentimen ulasan. Dengan memanfaatkan hasil analisis ini, pengembang aplikasi Canva dapat memperoleh wawasan berharga untuk meningkatkan kualitas layanan mereka, baik dalam menghadapi kebutuhan pengguna maupun mengatasi keluhan yang muncul. Penelitian ini memberikan kontribusi nyata dalam pemanfaatan analisis sentimen untuk mendukung pengembangan produk berbasis data
References
A. P. Gehred, “Canva,” J. Med. Libr. Assoc., vol. 108, no. 2, pp. 338–340, 2020, doi: 10.5195/jmla.2020.923.
D. Pratmanto and F. F. D. Imaniawan, “Analisis Sentimen Terhadap Aplikasi Canva Menggunakan Algoritma Naive Bayes Dan K-Nearest Neighbors,” Comput. Sci., vol. 3, no. 2, pp. 110–117, 2023, doi: 10.31294/coscience.v3i2.1917.
A. Z. Amrullah, A. Sofyan Anas, and M. A. J. Hidayat, “Analisis Sentimen Movie Review Menggunakan Naive Bayes Classifier Dengan Seleksi Fitur Chi Square,” Jurnal, vol. 2, no. 1, pp. 40–44, 2020, doi: 10.30812/bite.v2i1.804.
L. Wikarsa, A. Angdresey, and J. D. Kapantow, “Implementasi Metode Naïve Bayesdan Lexicon-Based Approach Untuk Mengklasifikasi Sentimen Netizen Pada Tweet berbahasa Indonesia,” J. Ilm. Realt., vol. 18, no. 1, pp. 15–24, 2022.
A. D. Wibisono, S. Dadi Rizkiono, and A. Wantoro, “Filtering Spam Email Menggunakan Metode Naive Bayes,” TELEFORTECH J. Telemat. Inf. Technol., vol. 1, no. 1, 2020, doi: 10.33365/tft.v1i1.685.
D. W. Seno and A. Wibowo, “Analisis Sentimen Data Twitter Tentang Pasangan Capres-Cawapres Pemilu 2019 Dengan Metode Lexicon Based Dan Support Vector Machine,” J. Ilm. FIFO, vol. 11, no. 2, p. 144, 2019, doi: 10.22441/fifo.2019.v11i2.004.
P. B. N. Setio, D. R. S. Saputro, and Bowo Winarno, “Klasifikasi Dengan Pohon Keputusan Berbasis Algoritme C4.5,” Prism. Pros. Semin. Nas. Mat., vol. 3, pp. 64–71, 2020.
N. Herlinawati, Y. Yuliani, S. Faizah, W. Gata, and S. Samudi, “Analisis Sentimen Zoom Cloud Meetings di Play Store Menggunakan Naïve Bayes dan Support Vector Machine,” CESS (Journal Comput. Eng. Syst. Sci., vol. 5, no. 2, p. 293, 2020, doi: 10.24114/cess.v5i2.18186.
H. Hariyadi, D. Firdo, and M. H. Al Rafi, “Implementasi Algoritma Naïve Bayes dan Support Vector Machine pada Analisis Sentimen Ulasan Aplikasi Canva,” J. Minfo Polgan, vol. 13, no. 1, pp. 261–269, 2024, doi: 10.33395/jmp.v13i1.13568.
Y. Asri, W. N. Suliyanti, D. Kuswardani, and M. Fajri, “Pelabelan Otomatis Lexicon Vader dan Klasifikasi Naive Bayes dalam menganalisis sentimen data ulasan PLN Mobile,” Petir, vol. 15, no. 2, pp. 264–275, 2022, doi: 10.33322/petir.v15i2.1733.
B. Charbuty and A. Abdulazeez, “Classification Based on Decision Tree Algorithm for Machine Learning,” J. Appl. Sci. Technol. Trends, vol. 2, no. 01, pp. 20–28, 2021, doi: 10.38094/jastt20165.
W. A. Firmansyach, U. Hayati, and Y. Arie Wijaya, “Analisa Terjadinya Overfitting Dan Underfitting Pada Algoritma Naive Bayes Dan Decision Tree Dengan Teknik Cross Validation,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 1, pp. 262–269, 2023, doi: 10.36040/jati.v7i1.6329.
W. Laila, W. Widiarto, A. Wijayanto, and E. Suryani, “Rekomendasi Makanan Pasien Hiperlipidiemia Berdasarkan Hasil Klasifikasi Menggunakan Metode Naïve Bayes dan Decision Tree,” J. Edukasi dan Penelit. Inform., vol. 8, no. 2, p. 328, 2022, doi: 10.26418/jp.v8i2.56386.
D. Putra and A. Wibowo, “Prediksi Keputusan Minat Penjurusan Siswa SMA Yadika 5 Menggunakan Algoritma Naïve Bayes,” Pros. Semin. Nas. Ris. Dan Inf. Sci., vol. 2, pp. 84–92, 2020.
D. Normawati and S. A. Prayogi, “Implementasi Naïve Bayes Classifier Dan Confusion Matrix Pada Analisis Sentimen Berbasis Teks Pada Twitter,” J. Sains Komput. Inform. (J-SAKTI, vol. 5, no. 2, pp. 697–711, 2021.
A. Nurdin, D. Satria, Y. Kartika, A. Rezha, and E. Najaf, “Klasifikasi Penyakit Daun Tomat Dengan Metode Convolutional Neural Network Menggunakan Arsitektur Inception-V3,” no. 1, pp. 1–6, 2024.
C. Sammut, Encyclopedia of Machine Learning. Springer, 2010. doi: 10.1007/978-0-387-30164-8_731.
