Machine Learning Python pada Lazada Indonesian Reviews

Ivan Sutedjo1, Ari Setiawan2, Febrian3,Azzahra Erfa Zettira4

1
Sistem Informasi, Universitas Tarumanagara
Email: ivan.825180032@stu.untar.ac.id
2
Sistem Informasi, Universitas Tarumanagara
Email: ari.825180019@stu.untar.ac.id
3
Sistem Informasi, Universitas Tarumanagara
Email: febrian.825180043@stu.untar.ac.id
4
Sistem Informasi, Universitas Tarumanagara
Email:azzahra.825180076@stu.untar.ac.id

Masuk:01-04-21, diterima untuk diterbitkan: 01-04-21

ABSTRAK (Times New Roman, 10pt)

Penelitian ini bertujuan untuk mengetahui bagaimana cara membuat Machine Learning pada Python dengan
menggunakan dataset Lazada Indonesian Reviews. Penelitian ini merupakan penelitian dalam 2 dataset yaitu; data
set items, dan dataset reviews. Sampel penelitian memiliki 9 kolom dan 10942 baris pada dataset items,dan 15
kolom dan 203787 baris pada dataset reviews.Penggunaan Library dalam python berbagai macam yaitu; matplotlib,
pandas,numpy,seaborn,reguler expression,dan operation system. Kemudian data dianalisis dengan menggunakan
analisa statistik deskriptif.Hasil penelitian menunjukkan bahwa nama brand produk dalam dataset items memiliki
banyak totalReviews setiap nama brand produk tersendiri dengan nilai >10 yakni brand Sharp.Dilanjutkan dengan
rata-rata nilai dalam histogram memiliki nilai > 1.00. Dalam rangka untuk mengetahui beberapa data yang kotor
atau corrupt, kami membuat data cleaning pada dataset items dan dataset reviews. Untuk mengetahui beberapa total
missing values dalam items dan reviews kami sudah menjumlahkan dalam links Kaggle.com. Missing values
berdasarkan NaN,nan,dan null. Maka kami membuat Missing values menjadi ‘0’ dan membuat outliers yang dapat
menghapus atau mengganti nilainya.Penilitian kami menggunakan visualisasi bar plot, dan pie chart. Berdasarkan
hasil penelitian tersebut dapat di simpulkan bahwa nama-nama brand terdapat perbedaan dalam setiap rating dari
rating brand dari hasil totalreviews pun memiliki perbedaan yang sangat signifikan dari dataset reviews customer
yang menggunakan aplikasi Lazada Indonesia.

Kata Kunci: dataset , library , python , Kaggle.com

ABSTRACT
This study aims to find out how to make Machine Learning in Python using the Lazada Indonesian
Reviews dataset. This research is a study in 2 datasets, namely; data set items, and dataset reviews. The
research sample has 9 columns and 10 942 rows on the items dataset, and 15 columns and 203787 rows
on the dataset reviews. The use of libraries in python is various, namely; matplotlib, pandas, numpy,
seaborn, regular expression, and operation system. Then the data were analyzed using descriptive
statistical analysis. The results showed that the product brand name in the items dataset had a lot of
total reviews for each product brand name itself with a value of> 10, namely the Sharp brand, followed
by the average value in the histogram which had a value of> 1.00. In order to find out some dirty or
corrupt data, we make data cleaning on the items dataset and the dataset reviews. To find out some of
the total missing values in items and reviews, we have added them together in the Kaggle.com links.
Missing values based on NaN, nan, and null. So we made the missing values '0' and created outliers that
could delete or replace the values. Our research used a bar plot visualization, and a pie chart. Based on
the results of this study, it can be concluded that there are differences in brand names in each rating of
the brand rating from the results of the total review which has a very significant difference from the
customer reviews dataset using the Lazada Indonesia application.

Keywords: dataset , library , python , Kaggle.com

1
1. PENDAHULUAN

Latar Belakang
Machine Learning merupakan cabang aplikasi dari Artifical Intelligence yang berfokus kepada
pengembangan suatu system yang mampu belajar secara individu tanpa diprogram berulang kali.

Pemograman python seringkali membuat ambigu pengguna sehingga terkadang berbeda dengan
bahasa pemograman lainnya,contohnya : c++, c#, dan java.

Machine Learning tanpa kita sadari telah ada dalam sekitar kita,hampir seluruh kegiatan yang
kita lakukan dalam dunia digital sudah dilengkapi dengan machine learning.

Contoh Youtube memberikan rekomendasi video untuk ditonton, Instagram menunjukkan

konten yang kemungkinan akan pengguna sukai, platform e-commerce memberikan
rekomendasi produk untuk pembelian selanjutnya, dan berbagai kegiatan yang kita temui dalam
kehidupan sehari-hari ternyata adalah produk dari model Machine Learning.

Untuk itu, kita dapat melihat beberapa produk yang disukai para customer penggunaan aplikasi
Lazada dengan python Machine Learning.Dengan adanya solusi ini, diharapkan para pembaca
bisa menggunakan beberapa Library dalam Machine Learning, sehingga semua pembaca dapat
menanalisis dataset yang mereka miliki.

Rumusan Masalah
Perkembangan zaman menjadi banyak penggunaan teknologi seperti smartphone, komputer , dan
aplikasi toko online. Machine Learning membawa manusia dan mesin bekerja sama dengan
pendekatan manusia “ mengajar “ mesin. Mesin dapat belajar dengan memproses Latihan yang
memuatkan fitur-fitur penting untuk menyesuaikan ke algoritma. Algoritma tersebut menjadikan
mesin mampu mengeksekusi pekerjaan speksifik, seperti klasifikasi email dan filter spam pada
email.
Tetapi manfaat yang kita rasakan adalah lebih jauh dari klasifikasi email yang sudah ada
beberapa tahun lalu. Saat ini kita merasakan machine learning yang lebih nyata dalam beberapa
aspek kehidupan, contohnya adalah sebuah drone yang dapat memetakan benda-benda di jalan
raya, mengukur luat jembatan dengan akurasi yang tinggi, serta menilai wilayah rekonstruksi
dengan cepat dan tepat.
Terkadang Machine Learning memiliki dampak yang tidak hanya positif saja. Melain banyak
yang dampak negatif yang terjadi. Contohnya adalah AI dapat memiliki data dan informasi yang
tersimpan secara digital atau online, dan menghilangkan pekerjaan setiap manusia. Ketika AI
digunakan untuk urusan adminstrasi di sekolah, tidak menutup kemungkinan akan
menghilkangkan peran tata usaha di sekolahan yang digantikan dengan AI.

2
2. METODE PENELITIAN
Tahap Penelitian dan metode
Penelitian kuantitatif yang diusulkan oleh penulis dilakukan dalam tiga tahapan.Tahapan pertama
dalah persiapan library yang digunakan dalam python machine learning, penggunaan dataframes,
dan penggunaan data cleaning, penggunaan missing values, dan visualisasi.

Tahap Persiapan Library

Persiapan Library kami menggunakan matplotlib, pandas, numpy, seaborn, reguler expression,
dan operation system.Penulis membuat kesepakatan mengenai pemanfaatan library yang
digunakan untuk bahan penelitian selanjutnya.

Tahap Penelitian Dataset

Penelitian dataset kami membuat dataframe terdapat 2 data dimensi yaitu; df_items, dan
df_reviews. Dilanjutkan dengan penggunaan data cleaning untuk menghapus missing values
yang tidak diperlukan dalam data set atau data yang sudah corrupt kita hapuskan.

Tahap Pembuatan Visualisasi

Pada tahapan ini yang terakhir yang dilakukan adalah proses visualisasi menggunakan pie
chart,dan bar plot. Hasil visualisasi tersebut memperlihatkan nama produk yang memiliki nilai
rata-rata yang dinilai sebuah pelanggan pengguna aplikasi Lazada. Maka uji coba visualisasi ini
bertujuan untuk mengukur pelanggan pengguna aplikasi Lazada menyukai nama produk yang
diinginkan.

Sub bagian (Sub section)

Sub-bab : Pendahuluan,Metode penelitian,Hasil dan pembahasan,Kesimpulan dan saran

3. HASIL DAN PEMBAHASAN

Berdasarkan data yang kami gunakan pada Kaggle.com tentang Lazada Indonesian Reviews,
Lazada memiliki 2 dataset yaitu; items, dan reviews. Masing-masing memiliki data mencapai
>10.000 baris, kolom pada dataset items memiliki 9 kolom dan kolom pada dataset reviews
memiliki 15 kolom. Penilitian kali ini kami sudah menyiapkan beberapa library data yang akan
digunakan atau diperlukan untuk penilitian ini. Membuat dataframe pada dataset csv, dan
membuat beberapa shape dan describe sebuah kedua dataset. Menghasilkan df_items sebanyak 9
buah, dan baris sebanyak 10942 buah. Pada kolom price, harga tertinggi yaitu 275000000, harga
terendah 1000, dan rata-rata harganya 3020219. rating tertinggi adalah 5 dan rating terendah
adalah 1 total review memiliki rata-rata sebesar 27, terendah sebesar 1, dan tertinggi sebesar
9631.

3
Data Cleaning adalah merupakan suatu proses mendeteksi dan memperbaiki (atau menghapus)
suatu record yang missing values 'corrupt' atau tidak akurat berdasarkan sebuah record set, tabel,
atau database. Berfungsi untuk mengindentifikasi bagian data mana yang tidak lengkap, tidak
tepat , tidak akurat atau tidak relevan, yang untuk data-data "kotor" tersebut akan diganti,
dimodifikasi, atau dihapus.

Tahap terakhir kami membuat visualisasi yang berhubungan dengan pelanggan customer Lazada
yang mencari beberapa produk nama brand televisi. Berikut adalah Tabel dan gambar hasil
penilitian kami.
Tabel 1. Hasil deskripsi dataframe items
Sumber tabel: https://www.kaggle.com/ivansutedjo/uts-kelompok-ivan-sutedjo
itemId Price averageRating totalReviews
count 1.094200e+04 1.094200e+04 10942.000000 10942.000000
Mean 2.936823e+08 3.020219e+06 4.171632 27.369494
Std 2.090568e+08 6.681453e+06 1.032055 260.253817
Min 6.068000e+03 1.000000e+03 1.000000 1.000000
25% 1.082924e+08 7.920000e+04 4.000000 1.000000
50% 3.540792e+08 1.095000e+06 4.000000 2.000000
75% 4.527141e+08 3.959000e+06 5.000000 7.000000
max 7.242170e+08 2.750000e+08 5.000000 9631.000000

Gambar 1. Hasil visualisasi Piechart Rating rata-rata pelanggan menilai nama product
Sumber Gambar:Screenshoot https://www.kaggle.com/ivansutedjo/uts-kelompok-ivan-sutedjo

4
4. KESIMPULAN DAN SARAN
1.Kesimpulan
Berdasarkan penilitian diatas dapat disimpulkan bahwa makalah kegiatan Machine Learning
Lazada Indonesian Reviews yaitu kegiatan meneliti dengan kuantitatif yang menggunakan
dataset items dan reviews untuk mengetahui penggunaan pelanggan/customer Lazada menyukai
produk nama brand apa saja.

2.Saran
Penulis menyadari bahwa Machine Learning adalah suatu teknologi yang akan membantu sebuah
aplikasi seperti e-commerce, dan dapat mengetahui informasi sebuah user dalam pencarian yang
diinginkan user dalam sebuah smartphone atau komputer. Penulis pun menyadari sepenuhnya
jika makalah ini masih banyak kesalahan dan jauh dari sempurna. Oleh karena,itu untuk
memperbaiki makalah tersebut penulis meminta kritik yang membangun dari para pembaca.

Ucapan Terima Kasih (Acknowledgement)

Pertama-tama kami ucapakan terima kasih kepada tuhan yang maha esa diberikati kami semua
dengan Kesehatan jasmani dan rohani. Dan kami tidak lupa terima kasih kepada dosen tercinta
kami yaitu Bapak Dedi Trisnawarman S.Si., M.Kom., Dr. telah memberikan kami materi yang
cukup untuk membuat penilitian ini. Akhir kata kami penulis mengucapkan terima kasih
sebanyaknya terhadap pembaca.

REFERENSI
https://medium.com/@yasirabd/pengenalan-numpy-pandas-matplotlib-b90bafd36c0
https://www.dqlab.id/belajar-pandas-untuk-tingkatkan-kompetensi-python
https://www.pythonindo.com/regular-expression/
https://www.kaggle.com/grikomsn/lazada-indonesian-reviews
https://ngodingdata.com/python-pandas-dataframe/
https://nzlul.medium.com/data-cleansing-using-python-case-imdb-dataset-eac5aaee293e
https://ngodingdata.com/visualisasi-matplotlib-dengan-pandas/
https://blog.kejarcita.id/7-dampak-positif-dan-negatif-penerapan-artificial-intelligence-dalam-
pembelajaran/
https://algorit.ma/blog/data-science/industri-manfaatkan-machine-learning/

LINK KAGGLE.COM:
https://www.kaggle.com/ivansutedjo/uts-kelompok-ivan-sutedjo