Analisis Sentimen Gofood Berdasarkan Twi
Analisis Sentimen Gofood Berdasarkan Twi
1. PENDAHULUAN
Hampir semua negara di dunia termasuk Indonesia, saat ini sedang menghadapi kesulitan akibat pandemi Covid-
19. Covid-19 atau Penyakit Coronavirus 2019 adalah infeksi menular yang disebabkan oleh virus novel
coronavirus. Penyakit ini membuat seluruh dunia menjadi sangat waspada karena penyebarannya yang cepat. Oleh
karena itu, banyak negara melakukan karantina wilayah dan pembatasan seluruh kegiatan yang ada di negaranya
masing-masing sebagai upaya pengendalian penyebaran virus Covid-19 [1][2][3].
Di Indonesia sendiri, pemerintah telah mengeluarkan kebijakan karantina wilayah dan pembatasan sosial
terhadap seluruh kegiatan manusia sejak bulan Maret 2020. Sehingga berdampak pada pola hidup masyarakat yang
berubah, dimana aktivitas masyarakat yang tadinya memesan makanan secara langsung, beralih menggunakan
media komunikasi digital. Oleh karena itu layanan food delivery menjadi pilihan dalam menghadapi pandemi
Covid-19, karena dapat membuat seseorang bisa menikmati makanan dari berbagai restaurant favoritnya. Selain
itu juga membuat seseorang dapat menggunakan waktunya lebih baik lagi karena tidak perlu membuang waktu di
perjalanan[1][3].
Dengan pembatasan sosial di Indonesia menjadikan layanan food delivery pada masa pandemi Covid-19
berkembang dengan pesat. Melalui riset yang dilakukan oleh (Hastuti, 2019) layanan pesan antar makanan yang
paling banyak dicari adalah Gofood, yang diambil dari responden yang memiliki lebih dari dua aplikasi pesan
antar makanan [4]. Ini diperkuat lagi dengan riset yang dilakukan lembaga survei CLSA yang dinyatakan pada
tanggal 24 Februari 2021, mengatakan bahwa mayoritas 35% masyarakat lebih memilih menggunakan Gofood
dan sebesar 20% memilih aplikasi sejenisnya [5].
Adapun strategi yang dilakukan oleh Gofood yaitu dengan memberikan penawaran yang mengguntungkan
kepada konsumen sehingga dapat meningkatkan minat konsumen terhadap Gofood untuk berbelanja[1][4].
Perkembangan Gofood yang meningkat pesat menghasilkan beberapa pendapat masyarakat di berbagai platfrom
media sosial. Media sosial dijadikan oleh masyarakat untu berbagi perasaan mengenai apapun yang mereka
rasakan. Sehingga pro dan kontra mengenai Gofood dapat dijumpai dengan cepat dan akurat [6].
Twitter merupakan salah satu media sosial yang paling banyak digunakan oleh masyarakat umum untuk
berbagi informasi baik hal positif maupun negatif tentang informasi yang sedang diakses. Analisis sentimen suatu
2. METODOLOGI PENELITIAN
2.1 Tahapan Penelitian
Penelitian ini dilakukan dengan mempelajari referensi yang relevan untuk mendapatkan pengetahuan, gambaran
dan landasan teori serta konsep-konsep lainnya mengenai objek penelitian melalui buku referensi yang ada di
perpustakaan, internet dan lain-lain. Penelitian ini bertujuan untuk menganalisis sentimen konsumen tentang
Gofood pada media sosial twitter dengan membandingkan metode Naïve Bayes dan metode Support Vector
Machine [11]. Hasil penelitian ini menjadi acuan bagi sistem layanan gofood dan digunakan untuk
membandingkan dari dua metode yang lebih baik pada penelitian ini. Gambar 1 menunjukkan tahapan penelitian.
Dimana:
x = Data dengan class yang belum diketahui
H = Hipotesis data merupakan suatu class spesifik
P(H|X) = Probabilitas hipotesis H berdasar kondisi X (posteriori probabilitas)
P(H) = Probabilitas hipotesis H (prior probabilitas)
P(X|H) = Probabilitas X berdasarkan kondisi pada hipotesis H
P(X) = Probabilitas X
2.6 Metode Support Vector Machine
Support Vector Machine merupakan metode klasifikasi untuk memproses data teks menggunakan kernel linear[7].
Kernel berguna untuk menggambarkan dimensi yang lebih kecil ke dimensi lebih besar. SVM memiliki 4
kernel[11][16]:
Tabel 1. Kernel SVM
Kernel linier : Kernel sigmoid:
𝑘(𝑥, 𝑦) = 𝑥. 𝑦 𝑘(𝑥, 𝑦) = tanh(𝜎( 𝑥. 𝑦) + 𝑐
Kernel polinomial: Kernel RBF:
𝑘(𝑥, 𝑦) = (𝑥. 𝑦) 𝐾 (𝑥, 𝑦) = exp (
−𝑥−𝑦 2
)
2𝜎 2
Kernel Dimana:
C : constanta, d : degree, exp : eksponensial
coloursplash Open today Voucher Gojek Gofood Diskon 30%, fee hanya 2k bisa
2. Netral
langsung dm https://t.co/P08qivKk6Y
b'Kesel banget sama restoran yang tutup, tapi di aplikasi Gofood nya buka! Mana
3. di hubungi no respon! Di cancel juga xe2\x80\xa6 https://t.co/egiwCzC9Ch' Negatif
56
= 𝑥 100%
75
= 74,6%
Akurasi memberikan gambaran seberapa akurat metode digunakan dalam mengklasifikasi data dengan
benar. Sehingga dapat mengetahui seberapa akurat nilai akurasi pada kinerja sistem dalam menemukan informasi
93
= 𝑥 100%
112
= 83%
Selanjutnya dapat dilihat nilai precission dan recall di setiap kelas klasifikasi yang berbeda-beda.
Precission pada kelas negatif sebesar 88,6%, dan untuk kelas positif 71,8%. Nilai precision untuk menunjukkan
proporsi label yang diprediksi benar dari total prediksi cukup besar untuk kelas negatif. Sedangkan angka recall
pada kelas negatif sebesar 87,5% dan untuk kelas positif sebesar 69,6%. Ini menunjukkan kemampuan sistem
dalam menemukan kembali informasi yang bernilai negatif dalam dokumen tinggi dibanding informasi kembali
bernilai positif [11][13].
3.5 Implementasi
Hasil implementasi penerapan metode Naïve Bayes dan Support Vector Machine berupa analisis sentimen
terhadap opini masyarakat berdasakan media sosial twitter menggunakan tampilan antarmuka berbasis web.
Pengujian ini memanfaatkan data komentar twitter yang sudah di preprocessing terlebih dahulu dalam bentuk json
sebanayak 1000 tweet. Sistem secara otomatis akan membagi data menjadi data latih sebesar 80% dan data uji
sebanyak 20%.
Melati Indah Petiwi, Copyright © 2022, MIB, Page 548
Submitted: 21/12/2021; Accepted: 24/01/2022; Published: 25/01/2022
JURNAL MEDIA INFORMATIKA BUDIDARMA
Volume 6, Nomor 1, Januari 2022, Page 542-550
ISSN 2614-5278 (media cetak), ISSN 2548-8368 (media online)
Available Online at https://ejurnal.stmik-budidarma.ac.id/index.php/mib
DOI 10.30865/mib.v6i1.3530
4. KESIMPULAN
Hasil kesimpulan dari penelitian dan pembahasan yang dilakukan dengan objek Gofood maka didapatkan hasil
klasifikasi komentar masyarakat kedalam tiga kelas yaitu kelas positif 5,2%, kelas netral sebesar 92,8% dan kelas
negatif sebesar 2,0%. Ini menunjukkan bahwa tanggapan positif masyarakat lebih besar dari pada tanggapan
negatif. Selanjutnya hasil akurasi pada penelitian ini dilakukan dengan bahasa python dan tampilan antarmuka
berbasis website. Support Vector Machine menghasilkan nilai yang lebih besar dan akurat dari akurasi Naïve
Bayes dalam mengelompokkan opini masyarakat berbahasa Indonesia pada media sosial Twitter. Metode Support
Vector Machine menghasilkan akurasi sebesar 83% dari 5000 tweet menggunakan bahasa python dan 98,5%
melalui uji coba antarmuka dengan 1000 tweet sedangkan kemampuan akurasi Naïve Bayes sebesar 74,6% melalui
bahasa python dan 91,5% menggunakan uji coba antarmuka. Ini membuktikan metode SVM lebih akurat sebagai
metode pengelompokkan untuk proses analisis sentimen opini masyarakat berbahasa Indonesia pada Twitter
dibandingan Naïve Bayes.
REFERENCES
[1] Q. Amalia, “Persepsi Konsumen Terhadap Faktor yang mempengaruhi Niat Menggunakan aplikasi Go-Food di Masa
Pandemi COVID-19,” … Ind. Res. Work. Natl. Semin., pp. 4–5, 2021, [Online]. Available: https://jurnal.polban.ac.id/ojs-
3.1.2/proceeding/article/view/2841/2220.
[2] S. R. Pudjiastuti, , S., and N. Hadi, “the Effect of Corona Virus on the Global Climate,” Jhss (Journal Humanit. Soc.
Stud., vol. 4, no. 2, pp. 130–136, 2020, doi: 10.33751/jhss.v4i2.2456.
[3] Ratino, N. Hafidz, S. Anggraeni, and W. Gata, “Sentimen Analisis Informasi Covid-19 menggunakan Support Vector
Machine dan Naïve Bayes,” J. JUPITER, vol. 12, no. 2, pp. 1–11, 2020.
[4] M. M. Ikram, “Keputusan Penggunaan Layanan GoFood Selama Masa Pandemi Covid-19,” J. Ilm. Manaj. Kesatuan,
vol. 9, no. 2, pp. 71–80, 2021, doi: 10.37641/jimkes.v9i2.467.
[5] Nurbayti, “Tren Pengguna Aplikasi Go-Food di Era Digital (Studi Fenomenologi Pengguna Go-Food di Universitas
Amikom Yogyakarta),” J. Komunikasi, Masy. dan Keamanan, vol. 1, no. 1, pp. 1–10, 2019.
[6] M. W. A. Putra, Susanti, Erlin, and Herwin, “Analisis Sentimen Dompet Elektronik Pada Twitter Menggunakan Metode
Naïve Bayes Classifier,” IT J. Res. Dev., vol. 5, no. 1, pp. 72–86, 2020, doi: 10.25299/itjrd.2020.vol5(1).5159.
[7] D. A. Ramadhan and M. . , Erwin Budi Setiawan S.Si., “ANALISIS SENTIMEN PROGRAM ACARA DI SCTV PADA
TWITTER MENGGUNAKAN METODE NAIVE BAYES DAN SUPPORT VECTOR MACHINE,” Semin. Nas.
Teknol. Fak. Tek. Univ. Krisnadwipayana, vol. 1, no. 1, pp. 739–742, 2019, [Online]. Available:
https://jurnal.teknikunkris.ac.id/index.php/semnastek2019/article/view/343/342.
[8] E. Dwianto and M. Sadikin, “Analisis Sentimen Transportasi Online pada Twitter Menggunakan Metode Klasifikasi
Naïve Bayes dan Support Vector Machine,” Format J. Ilm. Tek. Inform., vol. 10, no. 1, p. 94, 2021, doi:
10.22441/format.2021.v10.i1.009.
[9] D. Darwis, E. S. Pratiwi, and A. F. O. Pasaribu, “Penerapan Algoritma Svm Untuk Analisis Sentimen Pada Data Twitter
Komisi Pemberantasan Korupsi Republik Indonesia,” Edutic - Sci. J. Informatics Educ., vol. 7, no. 1, pp. 1–11, 2020,
doi: 10.21107/edutic.v7i1.8779.
[10] M. Tri Anjasmoros and dan Fitri Marisa, “Analisis Sentimen Aplikasi Go-Jek Menggunakan Metode Svm Dan Nbc
(Studi Kasus: Komentar Pada Play Store),” Conf. Innov. Appl. Sci. Technol. (CIASTECH 2020), no. Ciastech, pp. 489–
498, 2020.
[11] H. Setiawan, E. Utami, and S. Sudarmawan, “Analisis Sentimen Twitter Kuliah Online Pasca Covid-19 Menggunakan
Algoritma Support Vector Machine dan Naive Bayes,” J. Komtika (Komputasi dan Inform., vol. 5, no. 1, pp. 43–51,
2021, doi: 10.31603/komtika.v5i1.5189.
[12] E. S. Romaito, M. K. Anam, Rahmaddeni, and A. N. Ulfah, “Perbandingan Algoritma SVM Dan NBC Dalam Analisa
Sentimen Pilkada Pada Twitter,” CSRID J., vol. 13, no. 3, pp. 169–179, 2021.
[13] 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.
[14] R. Tineges, A. Triayudi, and I. D. Sholihati, “Analisis Sentimen Terhadap Layanan Indihome Berdasarkan Twitter
Dengan Metode Klasifikasi Support Vector Machine (SVM),” J. Media Inform. Budidarma, vol. 4, no. 3, p. 650, 2020,
doi: 10.30865/mib.v4i3.2181.
[15] A. Triayudi and W. O. Widyarto, “Comparison J48 and Naïve Bayes Methods in Educational Analysis,” J. Phys. Conf.
Ser., vol. 1933, no. 1, pp. 15–20, 2021, doi: 10.1088/1742-6596/1933/1/012062.
[16] F. Fitriana, E. Utami, and H. Al Fatta, “Analisis Sentimen Opini Terhadap Vaksin Covid - 19 pada Media Sosial Twitter
Menggunakan Support Vector Machine dan Naive Bayes,” J. Komtika (Komputasi dan Inform., vol. 5, no. 1, pp. 19–25,
2021, doi: 10.31603/komtika.v5i1.5185.
[17] R. Wati et al., “Analisis Sentimen Persepsi Publik Mengenai PPKM Pada Twitter Berbasis SVM Menggunakan Python,”
vol. 06, pp. 240–247, 2021.