Sentimen Analisis Ulasan Pengguna Linkedin Pada Aplikasi Google Playstore Dengan Metode Decision Tree

Penulis

Kata Kunci:

Analisis Sentimen, Linkedin, Pohon Keputusan, Penambangan Data

Abstrak

Linkedin merupakan salah satu platform jaringan  sosial yang berfokus pada professional dan karier. keberhasilan dalam bisnis sering kali melibatkan pemahaman dan penanganan dengan baik terhadap kepuasan, kepercayaan dan kenyamanan pengguna. Identifikasi masalah dari ulasan pelanggan menjadi kunci, meskipun membaca dan mengklasifikasikan setiap ulasan secara manual dianggap tidak efisien dan sulit. Oleh karena itu, penelitian ini fokus pada analisis sentimen ulasan pengguna aplikasi LinkedIn untuk mengatasi tantangan ini. Data yang digunakan berasal dari ulasan dan rating pengguna di Google Play Store, dikumpulkan melalui teknik Scraping. Algoritma Decision Tree digunakan dalam penelitian ini, dengan penerapan metodologi CRISP-DM untuk menggali informasi dari data teks. Hasil klasifikasi menggunakan Decision Tree menunjukkan tingkat akurasi sebesar 85%. Penelitian ini memberikan kontribusi dengan menunjukkan bahwa teknik analisis sentimen dapat mengidentifikasi kekurangan dalam aplikasi, yang dapat dijadikan dasar evaluasi untuk optimalisasi produk dan layanan.

Referensi

Anang Sugeng Cahyoni, “PENGARUH MEDIA SOSIAL TERHADAP PERUBAHAN SOSIAL MASYARAKAT DI INDONESIA,†Publiciana, vol. 9, pp. 140–157.

ZEN, “Inilah Sejarah Linkedin, Platform Media Sosial Yang Mungkin Telah Berperan Besar Dalam Sukses Anda,†Bintang Bisnis.

Deepti. Chopra and Roopal. Khurana, Introduction to Machine Learning with Python. Bentham Science Publishers, 2023.

I. Arfyanti, M. Fahmi, and P. Adytia, “Penerapan Algoritma Decision Tree Untuk Penentuan Pola Penerima Beasiswa KIP Kuliah,†Building of Informatics, Technology and Science (BITS), vol. 4, no. 3, Dec. 2022, doi: 10.47065/bits.v4i3.2275.

I. Muslim Karo Karo et al., “Analisis Sentimen Ulasan Aplikasi Info BMKG di Google Play Menggunakan TF-IDF dan Support Vector Machine,†Journal of Information System Research, vol. 4, no. 4, pp. 1423–1430, 2023, doi: 10.47065/josh.v4i4.3943.

R. Kosasih and A. Alberto, “Analisis Sentimen Produk Permainan Menggunakan Metode TF-IDF Dan Algoritma K-Nearest Neighbor,†vol. 6, no. 1, 2021, doi: 10.30743/infotekjar.v6i1.3893.

Brij B. Gupta, Dragan Peraković, Ahmed A. Abd El-Latif, and Deepak Gupta, “Data Mining Approaches for Big Data and Sentiment Analysis in Social Media.â€

P.-N. Tan, M. Steinbach, A. Karpatne, and V. Kumar, Introduction to data mining.

E. Damayanti and S. Kuswayati, “ANALISIS DAN IMPLEMENTASI FRAMEWORK CRISP-DM (CROSS INDUSTRY STANDARD PROCESS FOR DATA MINING) UNTUK CLUSTERING PERGURUAN TINGGI SWASTA.â€

I. Widhi Saputro and B. Wulan Sari, “Uji Performa Algoritma Naïve Bayes untuk Prediksi Masa Studi Mahasiswa Naïve Bayes Algorithm Performance Test for Student Study Prediction,†Citec Journal, vol. 6, no. 1, 2019.

K. L. Kohsasih, Z. Situmorang, and I. Artikel, “Analisis Perbandingan Algoritma C4.5 Dan Naïve Bayes Dalam Memprediksi Penyakit Cerebrovascular,†JURNAL INFORMATIKA, vol. 9, no. 1, pp. 13–17, 2022, [Online]. Available: http://ejournal.bsi.ac.id/ejurnal/index.php/ji

A. C. Müller and S. Guido, “Introduction to Machine Learning with Python A GUIDE FOR DATA SCIENTISTS Introduction to Machine Learning with Python.â€

Unduhan

File Tambahan

Diterbitkan

2024-06-30

Terbitan

Vol 8 No 1 (2024): JUNI 2024

Bagian

ARTICLES

Lisensi

 

 

 

Creative Commons License

JurTI (Jurnal Teknologi Informasi)

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.