Analisis Sentimen Masyarakat Indonesia Terhadap Aplikasi TikTok Menggunakan Algoritma Logistic Regression
Keywords:
Analisis Sentimen, Klasifikasi , Logistic Regression , Sentimen , TikTokAbstract
Meningkatnya popularitas aplikasi TikTok di kalangan masyarakat Indonesia telah menimbulkan reaksi yang beragam dari masyarakat, memicu kebutuhan untuk analisis yang lebih mendalam mengenai sentimen publik terhadap platform ini. Penelitian ini bertujuan untuk memahami sikap yang dominan baik positif dan negatif terhadap TikTok di kalangan pengguna Indonesia. Dengan menggunakan algoritma Logistic Regression, yang dikenal dengan kemudahannya dan kapasitas interpretasi yang baik dalam klasifikasi sentimen, penelitian ini mengolah data ulasan pengguna yang diambil dari Google PlayStore. Analisis sentimen melibatkan tahapan pengambilan data, pra-pemrosesan (termasuk case folding, tokenisasi, normalisasi, dan stemming), serta pembobotan terms menggunakan TF-IDF. Hasil penelitian menunjukkan tingkat akurasi klasifikasi sentimen hampir sempurna, percobaan pertama (rasio 80:20) memberikan performa terbaik dengan akurasi 83%, yang menunjukkan efektivitas Logistic Regression dalam menganalisis sentimen. Performa model menunjukkan konsistensi dalam precision dan recall di semua rasio pengujian, mengindikasikan bahwa model tersebut cukup robust terhadap perubahan proporsi data pelatihan dan pengujian. Percobaan kedua dan ketiga juga memberikan perfoma yang baik pula dengan akurasi 81%.
Downloads
References
F. A. Indriyani, A. Fauzi, and S. Faisal, “Analisis Sentimen Aplikasi TikTok Menggunakan Algoritma Naive Bayes dan Support Vector Machine,” TEKNOSAINS : Jurnal Sains, Teknologi dan Informatika, vol. 10, no. 2, pp. 176–184, Jul. 2023, doi: 10.37373/tekno.v10i2.419.
D. P. Fajrina, Syafriandi, N. Amalita, and A. Salma, “Sentiment Analysis of TikTok Application on Twitter using The Naïve Bayes Classifier Algorithm,” UNP Journal of Statistics and Data Science, vol. 1, no. 5, pp. 392–398, Nov. 2023, doi: 10.24036/ujsds/vol1-iss5/103.
M. Isnan, G. N. Elwirehardja, and B. Pardamean, “Sentiment Analysis for TikTok Review Using VADER Sentiment and SVM Model,” Procedia Comput Sci, vol. 227, pp. 168–175, 2023, doi: 10.1016/j.procs.2023.10.514.
S. Fide, Suparti, and Sudarno, “Analisis Sentimen Ulasan Aplikasi TikTok di Google Play Menggunakan Metode Support Vector Machine (SVM) dan Asosiasi,” Jurnal Gaussian, vol. 10, no. 3, pp. 346–358, 2021, [Online]. Available: https://ejournal3.undip.ac.id/index.php/gaussian/
A. Novantika, “Analisis Sentimen Ulasan Pengguna Aplikasi Video Conference Google Meet menggunakan Metode SVM dan Logistic Regression,” PRISMA, Prosiding Seminar Nasional Matematika, vol. 5, pp. 808–813, 2022, [Online]. Available: https://journal.unnes.ac.id/sju/index.php/prisma/
I. Rahmawati and T. R. Fitriani, “Analisis Sentimen Menggunakan Algoritma Logistic Regression Pada Penerbangan Lion Air berdasarkan Ulasan Pengguna Platform Online,” Jejaring Penelitian dan Pengabdian Masyarakat (JPPM), vol. 1, no. 1, pp. 3024–8167, 2023.
J. A. Zulqornain, Indriati, and P. P. Adikara, “Analisis Sentimen Tanggapan Masyarakat Aplikasi Tiktok Menggunakan Metode Naïve Bayes dan Categorial Propotional Difference (CPD),” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer , vol. 5, no. 7, pp. 2886–2890, 2021, [Online]. Available: http://j-ptiik.ub.ac.id
A. Pradhan, M. R. Senapati, and P. K. Sahu, “Improving sentiment analysis with learning concepts from concept, patterns lexicons and negations: Improving sentiment analysis with learning concepts,” Ain Shams Engineering Journal, vol. 13, no. 2, Mar. 2022, doi: 10.1016/j.asej.2021.08.004.
B. K. Hananto, A. Pinandito, and A. P. Kharisma, “Penerapan Maximum TF-IDF Normalization Terhadap Metode KNN Untuk Klasifikasi Dataset Multiclass Panichella Pada Review Aplikasi Mobile,” Jurnal Pengembangan Teknologii Informasi dan Ilmu Komputer, vol. 2, no. 12, pp. 6812–6823, 2018, [Online]. Available: http://j-ptiik.ub.ac.id
P. Bafna, D. Pramod, and A. Vaidya, “Document Clustering: TF-IDF Approach,” in International Conference on Electrical, Electronics, and Optimization Techniques (ICEEOT) , 2016, pp. 61–66.
B. Das and S. Chakraborty, “An Improved Text Sentiment Classification Model Using TF-IDF and Next Word Negation.”
P. Sudhir and V. D. Suresh, “Comparative study of various approaches, applications and classifiers for sentiment analysis,” Global Transitions Proceedings, vol. 2, no. 2, pp. 205–211, Nov. 2021, doi: 10.1016/j.gltp.2021.08.004.
H. Rahab, A. Zitouni, and M. Djoudi, “SANA: Sentiment analysis on newspapers comments in Algeria,” Journal of King Saud University - Computer and Information Sciences, vol. 33, no. 7, pp. 899–907, Sep. 2021, doi: 10.1016/j.jksuci.2019.04.012.
F. F. Irfani, M. Triyanto, A. D. Hartanto, and Kusnawi, “Analisis Sentimen Review Aplikasi Ruangguru Menggunakan Algoritma Support Vector Machine,” Jurnal Bisnis, Manajemen dan Informatika, vol. 16, no. 3, pp. 258–266, 2020.
I. Novitasari, T. B. Kurniawan, D. A. Dewi, and Misinem, “Analisis Sentimen Masyarakat Terhadap Tweet Ruang Guru Menggunakan Algoritma Naive Bayes Classifier (NBC),” Jurnal Mantik, vol. 6, no. 3, pp. 2685–4236, 2022.
Niriyati, H. Z., & Bachrudin, M. (2022). RANCANG BANGUN SISTEM PENYIRAMAN BIBIT TANAMAN PEPAYA CALIFORNIA BERBASIS INTERNET. TESLA: Jurnal Teknik Elektro, 24(2), 195-204.
D. Ardiansyah, A. Saepudin, R. Aryanti, E. Fitriani, and Royadi, “Analisis Sentimen Review Pada Aplikasi Media Sosial Tiktok Menggunakan Algoritma K-NN dan SVM Berbasis PSO,” Jurnal Informatika Kaputama (JIK), vol. 7, no. 2, pp. 233–241, 2023.
Downloads
Published
Issue
Section
License
Copyright (c) 2024 Fathur Rizal, Andi Wijaya (Author); Fuadz Hasyim (Translator)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
