ANALSIS SENTIMEN POSITIF DAN NEGATIF TERHADAP

KOMENTAR APLIKASI THREADS INSTAGRAM DI PLAYSTORE

MENGGUNAKAN METODE NAIVE BAYES

ALWI SANUBARI

T3121013

FAKULTAS ILMU KOMPUTER

PRODI TEKNIK INFORMATIKA

UNIVERSITAS ICHSAN GORONTALO

2023
 KATA PENGANTAR
Analisis sentimen semakin menjadi perhatian utama dalam memahami opini
pengguna terhadap aplikasi mobile. Dalam penelitian ini, kami bertujuan untuk
menganalisis sentimen pengguna terhadap aplikasi Threads. Analisis sentimen akan
membantu kami mendapatkan wawasan yang berharga tentang bagaimana
pengguna merespons aplikasi ini.

Metode yang kami pilih untuk analisis sentimen kami adalah metode Naive
Bayes. Metode ini dipilih karena kemampuannya dalam mengklasifikasikan teks
berdasarkan sentimen yang terkandung di dalamnya. Meskipun asumsi sederhana
tentang independensi antar fitur, metode Naive Bayes telah terbukti efektif dalam
banyak kasus.

Dalam penelitian ini, kami akan menjelaskan langkah-langkah yang kami ambil
untuk menganalisis sentimen pengguna menggunakan metode Naive Bayes. Kami
juga akan membahas keuntungan dan batasan metode ini dalam konteks analisis
sentimen aplikasi mobile.

Semoga penelitian ini dapat memberikan kontribusi yang berarti dalam

memahami opini pengguna terhadap aplikasi Threads dan membantu
pengembangan aplikasi yang lebih baik di masa mendatang.

ii | P a g e
 DAFTAR ISI

KATA PENGANTAR............................................................................................................... ii
DAFTAR ISI.......................................................................................................................... iii
BAB I .................................................................................................................................... 4
PENDAHULUAN ................................................................................................................... 4
A. Latar Belakang......................................................................................................... 4
B. Rumusan Masalah ................................................................................................... 5
C. Tujuan Penelitian .................................................................................................... 5
BAB II ................................................................................................................................... 6
METODE .............................................................................................................................. 6
A. Tahapan Penelitian ................................................................................................. 6
B. Text MiningText Mining .......................................................................................... 7
C. Preprocessing .......................................................................................................... 7
1. Cleaning............................................................................................................... 7
2. Case Folding ........................................................................................................ 7
3. Stopword Removal .............................................................................................. 7
4. Tokenizing ........................................................................................................... 7
5. Stemming ............................................................................................................ 7
D. Naive Bayes (NB) ..................................................................................................... 8
BAB III .................................................................................................................................. 9
HASIL DAN PEMBAHASAN................................................................................................... 9
A. Data Ulasan ............................................................................................................. 9
B. Melakukan Drop Variabel Pada Data .................................................................... 10
C. Pre-Processing Data .............................................................................................. 11
D. Jumlah Sentimen Positif dan Negatif .................................................................... 12
E. Hasil Sentimen Analisis ......................................................................................... 13
BAB IV................................................................................................................................ 15
PENUTUP ........................................................................................................................... 15
A. KESIMPULAN ......................................................................................................... 15
DAFTAR PUSTAKA ............................................................................................................. 16

iii | P a g e
 BAB I

PENDAHULUAN
A. Latar Belakang
Aplikasi mobile semakin menjadi bagian penting dalam kehidupan
sehari-hari, termasuk dalam komunikasi dan berbagi informasi. Aplikasi
Threads, sebagai salah satu aplikasi mobile yang populer, memungkinkan
penggunanya untuk berinteraksi, berbagi cerita, dan mengunggah foto
dengan teman-teman mereka. Dalam mengembangkan dan meningkatkan
aplikasi Threads, penting untuk memahami bagaimana pengguna
merespons dan memiliki opini terhadap aplikasi ini. Untuk itu, analisis
sentimen menjadi perhatian utama dalam memahami opini pengguna
terhadap aplikasi mobile. Analisis sentimen adalah teknik yang digunakan
untuk mengekstrak dan mengidentifikasi sentimen atau opini yang
terkandung dalam teks. Dalam konteks penelitian ini, analisis sentimen akan
membantu dalam memperoleh wawasan yang berharga tentang bagaimana
pengguna merespons aplikasi Threads. Salah satu metode yang digunakan
dalam analisis sentimen adalah metode Naive Bayes. Metode ini dipilih
karena kemampuannya dalam mengklasifikasikan teks berdasarkan
sentimen yang terkandung di dalamnya. Meskipun asumsi sederhana
tentang independensi antar fitur, metode Naive Bayes telah terbukti efektif
dalam banyak kasus.

Dengan melakukan analisis sentimen terhadap aplikasi Threads

menggunakan metode Naive Bayes, akan dapat diketahui pandangan
pengguna terhadap fitur-fitur aplikasi, kepuasan mereka, serta masukan
yang berguna untuk pengembangan aplikasi di masa depan. Dengan latar
belakang ini, penelitian analisis sentimen aplikasi Threads menggunakan
metode Naive Bayes diharapkan dapat memberikan kontribusi yang berarti
dalam memahami opini pengguna, meningkatkan pengalaman pengguna,
dan membantu pengembangan aplikasi yang lebih baik di masa mendatang.

4|Page
 B. Rumusan Masalah
1. Bagaimana melakukan analisis sentimen terhadap pengguna aplikasi
Threads?
2. Bagaimana mengimplementasikan metode Naive Bayes dalam analisis
sentimen aplikasi Threads?
3. Apa saja sentimen yang umum muncul dari pengguna aplikasi Threads?
4. Bagaimana tingkat kepuasan pengguna terhadap fitur-fitur yang ada
dalam aplikasi Threads?

C. Tujuan Penelitian
1. Menganalisis sentimen pengguna terhadap aplikasi Threads
2. Mengimplementasikan metode Naive Bayes dalam analisis sentimen
3. Mengetahui tingkat kepuasan pengguna terhadap fitur-fitur aplikasi
Threads
4. Memberikan masukan untuk pengembangan aplikasi di masa
mendatang

5|Page
 BAB II

METODE
A. Tahapan Penelitian
Penelitian ini menggunakan penelitian deskriptif dengan melakukan
pemecahan masalah terhadap kondisi pokok ataupun pada penelitian
berdasarkan fakta yang ada. Berikut tahapan penelitian yang ada pada
gambar berikut :

Gambar 1. Tahapan penelitian

6|Page
 B. Text MiningText Mining
Merupakan proses mengekstraksi suatu pola untuk diteliti yang
datanya berasal dari sebuah teks. Text Mining merupakan disiplin ilmu yang
didasarkan pada information retrival, data mining, machine learning,
statistic dan linguistic komputasi

C. Preprocessing
Tahapan preprocessing yang dilakukan pada penelitian ini :

1. Cleaning
Tahapan ini bertujuan untuk membershikan data dari
data/komentar yang ganda, dan atribut tidak diperlukan yang terdapat
pada komentar

2. Case Folding
Proses case folding adalah proses mengubah seluruh huruf
menjadi huruf kecil. Pada proses ini karakter-karakter 'A'-'Z' yang
terdapat pada data diubah kedalam karakter 'a'-'z'.

3. Stopword Removal
Stopword adalah kata umum yang biasanya muncul dalam jumlah
besar dan dianggap tidak memiliki makna. Contoh stopword dalam
bahasa Indonesia adalah emoticon “yang”, “dan”, “di”, “dari”, dll.
Makna di balik penggunaan stopword yaitu dengan menghapus kata-
kata yang memiliki informasi rendah dari sebuah teks, kita dapat fokus
pada kata-kata penting sebagai gantinya.

4. Tokenizing
Tokenizing adalah proses pemisahan teks menjadi potongan-
potongan yang disebut sebagai token untuk kemudian di analisa. Kata,
angka, simbol, tanda baca dan entitas penting lainnya dapat dianggap
sebagai token. Didalam NLP, token diartikan sebagai “kata” meskipun
tokenize juga dapat dilakukan pada paragraf maupun kalimat

5. Stemming
Stemming adalah proses pemetaan dan penguraian bentuk dari
suatu kata menjadi bentuk kata dasarnya. Untuk melakukan stemming

7|Page
 bahasa Indonesia kita dapat menggunakan library Python Sastrawi yang
sudah kita siapkan di awal. Library Sastrawi menerapkan Algoritma
Nazief dan Adriani dalam melakukan stemming bahasa Indonesia.

D. Naive Bayes (NB)

Naive Bayes atau multinomial naïve bayes merupakan metode
yang digunakan untuk mengklasifikasikan sekumpulan dokumen.
Algoritma ini memanfaatkan metode probabilitas dan statistik yang
dikemukakan oleh ilmuwan Inggris Thomas Bayes. Metode NB menempuh
dua tahap dalam proses klasifikasi teks, yaitu tahap pelatihan dan tahap
pengujian (klasifikasi). Pada tahap pelatihan dilakukan proses analisis
terhadap sampel dokumen berupa pemilihan vocabulary, yaitu kata yang
mungkin muncul dalam koleksi dokumen sampel yang sedapat
mungkin dapat menjadi representasi dokumen. Selanjutnya adalah
penentuan probabilitas prior bagi tiap kategori berdasarkan sampel
dokumen. Pada tahap klasifikasi ditentukan nilai kategori dari suatu
dokumen berdasarkan term yang muncul dalam dokumen yang
diklasifikasi.

8|Page
 BAB III

HASIL DAN PEMBAHASAN

A. Data Ulasan
Total data ulasan yang diperoleh melalui proses scraping, terdapat
1000 data ulasan terbaru. Berikut contoh data yang berhasil diangkat
menggunakan metode scraping:

reviewId userName content score at replyContent

326e9a53- Sebenarn
e3d3-4f56- ya
b8eb- ahmad mahfud aplikasin 2023-10-
9ee0a03d80 ya bagus 2 22 None
1e simpel 07:33:26
gak
nego2....
ab859c7f- Semakin 2023-10-
784c-4628- kesini 09
b155- kunrs id semakin 5 10:57:29 None
073b3767c membaik
839 kualitas
Thread...
48989521- Aku 2023-07-
b121-483f- menemuk 07
b396- Saska RF an 2 bug. 2 13:16:34 None
d431d8db5 Yang
967 pertama
saat
unggah
7ccb4c75- Permulaa 2023-07-
a3ae-469e- n bagus 06
9f64- Muhammad ada 5 20:40:14 None
5876cf5e15 Husni saingan
00 Mubarok aplikasi
burung.
N...

9|Page
 9e715004- Sedikit 2023-07-
f297-4356- saran 08
8a40- VleezyGaming beberapa 4 19:45:54 None
9f59a0f0f5 23 fitur buat
be aplikasi
ini...

Tabel 1. Hasil Scraping

Untuk melakukan pelabelan, pada penelitian ini akan melihat dari rating penguna
melalui ulasan pada aplikasi Shopee. Proses pelabelan akan di bagi menjadi dua
yaitu label positif dilihat dari pemberian score di atas 3 sampai 5 sedangkan untuk
label negatif dari score 1 sampai dengan 3. Sebagai contoh pada tabel 1 diatas
content “Woyyy kenapa gw nggak bisa komen dithreads ora..” dengan score 1 maka
akan di label kan negatif, sedangkan content “aplikasinya bagus banget semoga
tambah bagus t...” dengan score 5 akan dilabelkan positif.

B. Melakukan Drop Variabel Pada Data

no content sentimen
0 Aku menemukan 2 negatif
bug. Yang pertama
saat unggah ...
1 Permulaan bagus ada positif
saingan aplikasi
burung. N..
2 Aplikasi udah baik. positif
Namun, saya
menemukan bug ...
3 Sedikit saran beberapa positif
fitur buat aplikasi ini...

10 | P a g e
 4 Cukup menarik sih positif
sebagai alternatif
twitter, ...
5 Masih banyak negatif
kurangnya gk ada
translate,, Te...
Tabel 2. Contoh Data Setelah Dilakukan Dropvariabel

C. Pre-Processing Data

no content sentimen
0 bagus sih bagus versi positif
lite nya
1 fiturnya bagus banget positif
trs seru kyk instagram
2 ku threads bikin fitur negatif
dm kalo ngescroll isi
n...
4 perikemanusiaan negatif
aplikasi jelek
…… ……. ……
997 yg twtr suka pasti positif
bagus blm translate
nya
998 overall bagus fitur positif
terjemah twitter
Tabel 3. Data Setelah Dilakukan Preprosesing

Untuk mengetahui kata-kata yang sering muncul atau visualisasi data di label
negatif dan positif, digunakan fungsi wordcloud. Seperti pada gambar dibawah:

11 | P a g e
 Gambar 2. WordCloud Positif

Gambar 3. Wordloud Negatif

D. Jumlah Sentimen Positif dan Negatif

Berdasarkan hasil perhitungan jumlah sentimen positif dan negatif maka di
dapatkan hasil seperti pada gambar berikut :

12 | P a g e
 Gambar 4. Persentase Sentimen

E. Hasil Sentimen Analisis

Langkah selanjutnya dilakukan proses untuk hasil analisis
sentimen pada suatu teks, maka diperoleh hasil = 0.82, 0.71, 0.6, 0.65,
sehingga di dapat nilai tertinggi :

MultinomialNB Accuracy: 0.8220858895705522

MultinomialNB Precision: 0.7352941176470589

MultinomialNB Recall: 0.819672131147541

MultinomialNB f1_score: 0.7751937984496124

confusion_matrix:

[[50 11]

[18 84]]

13 | P a g e
 precission recall f1 - score support
negatif 0.74 0.82 0.78 61
Positif 0.88 0.82 0.85 102

accuracy 0.82 163

macro avg 0.81 0.82 0.81 163
weighted avg 0.83 0.82 0.8 163
Tabel 4. Hasil Evaluasi Kerja Naïve Bayes (NB)

Hasil visualisasi evaluasi model klasifikasi

14 | P a g e
 BAB IV

PENUTUP
A. KESIMPULAN
Berdasarkan Hasil perhitungan mengenai analisis sentimen Review
Aplikasi threads intagram di playsotre dengan metode Naïve Bayes
diperoleh kesimpulan yaitu metode Naive Bayes Mampu Melakukan
Klasifikasi komentar secara otomatis dengan bahasa pemrograman python.
Selain itu, Analisis sentimen terhadap review pengguna aplikasi threads
dengan metode Naive Bayes dengan nilai akurasi 0.822 atau 82%

15 | P a g e
 DAFTAR PUSTAKA
I. S. K. Idris and Y. A. Mustofa, “Typo Checking Menggunakan

Algoritma Rabin-Karp,” Jambura J. Electr. …, 2022, [Online]. Available:

A. D. Wibisono, S. D. Rizkiono, and A. Wantoro, “Filtering Spam Email

Menggunakan Metode Naive Bayes,”Telefortech J.Telemat. Inf.
Technol., vol. 1, no. 1, pp. 9–17, 2020.

https://ejurnal.ung.ac.id/index.php/jjeee/article/view/16830/5678

M. R. Handoko and N. Neneng, “SISTEM PAKAR DIAGNOSA PENYAKIT

SELAMA KEHAMILAN MENGGUNAKAN METODE NAIVE
BAYES BERBASIS WEB,”J. Teknol. dan Sist. Inf., vol. 2, no. 1, pp. 50–
58, 2021.

A. R. Isnain, N. S. Marga, and D. Alita, “Sentiment Analysis Of Government Policy

On Corona Case Using Naive Bayes Algorithm,”IJCCS (Indonesian J.
Comput. Cybern. Syst., vol. 15, no. 1, pp. 55–64.

S. eka Y. Putri and A. Surahman, “Penerapan Model Naive Bayes Untuk

Memprediksi Potensi Pendaftaran Siswa Di Smk Taman Siswa Teluk
Betung Berbasis Web,”J. Inform. dan Rekayasa Perangkat Lunak, vol. 1,
no. 1, pp. 93–99, 2019, doi: 10.33365/jatika.v1i1.228.

S. Setiawansyah, Q. J. Adrian, and R. N. Devija, “SISTEM PAKAR

DIAGNOSA PENYAKIT SELAMA KEHAMILAN
MENGGUNAKAN METODE NAIVE BAYES BERBASIS WEB,”J.
Manaj. Inform., vol. 11, no. 1, pp. 24–36, 2021

R. Rusliyawati, T. M. M. Putri, and D. D. Darwis, “Penerapan Metode Garis Lurus

dalam Sistem Informasi Akuntansi Perhitungan Penyusutan Aktiva
Tetap pada PO Puspa Jaya,”J. Ilm. Sist. Inf. Akunt., vol. 1, no. 1, pp.
1–13, 2021, [Online]. Available:
http://jim.teknokrat.ac.id/index.php/jimasia/article/view/864.

16 | P a g e
M. W. Putra,D. Darwis, and A. T. Priandika, “Pengukuran Kinerja Keuangan
Menggunakan Analisis Rasio Keuangan Sebagai Dasar Penilaian Kinerja
Keuangan (Studi Kasus: CV Sumber Makmur Abadi Lampung
Tengah),”J. Ilm. Sist. Inf. Akunt., vol. 1, no. 1, pp. 48–59, 2021

A. F. Qadafi and A. D. Wahyudi, “SISTEM INFORMASI INVENTORY

GUDANG DALAM KETERSEDIAAN STOK BARANG
MENGGUNAKAN METODE BUFFER STOK,”J. Inform. dan Rekayasa
Perangkat Lunak, vol. 1, no. 2, pp. 174–182, 2020, doi:
10.33365/jatika.v1i2.557.

J. D. Gotama, Y. Fernando, and D. Pasha, “Pengenalan Gedung Universitas

Teknokrat Indonesia Berbasis Augmented RealiGotama JD, Fernando
Y, Pasha D. 2021. Pengenalan Gedung Universitas Teknokrat Indonesia
Berbasis Augmented Reality. J Inform Dan Rekayasa Perangkat Lunak.
2(1):28–38.ty,”J. Inform. Dan Rekayasa Perangkat Lunak, vol. 2, no. 1,
pp. 28–38, 2021.

17 | P a g e