JURNAL INFORMATIKA, Vol.10 No.

Desember 2023, Halaman 1-6

ISSN: 2355-6579 | E-ISSN: 2528-2247
DOI: <nomor doi>

Penerapan Algoritma C4.5 Dalam Analisis Sentimen

Pengguna Spotify
Renata Elfrin1*, Lifia Novianti2, Muhammad Kurniawansyah3
1,2,3
Fakultas Teknik Informatika, Universitas Bina Sarana Informatika

Jl. Kamal Raya No.18, RT.6/RW.3, Cengkareng Tim., Kec. Cengkareng, Jakarta Barat, Indonesia

e-mail: 119210504@bsi.ac.id, 219211158@bsi.ac.id, 319211056@bsi.ac.id

Informasi Artikel Diterima: 00-00-2023 Direvisi: 00-00-2023 Disetujui: 00-00-2023

Abstrak
Penelitian ini mengeksplorasi penerapan algoritma C4.5 dalam analisis sentimen terhadap ulasan
pengguna layanan Spotify. Spotify, sebagai platform streaming musik yang populer, menarik minat
pengguna secara luas. Analisis sentimen menjadi krusial untuk memahami persepsi, preferensi, dan
kepuasan pengguna terhadap layanan aplikasi. Metodologi penelitian ini memanfaatkan data ulasan
pengguna Spotify dari playstore yang berupa review sebanyak 10 ulasan positif dan 10 ulasan negatif.
Tahapan utama melibatkan praproses data, pembentukan model pohon keputusan dan evaluasi kinerja
model dengan rapidminer sebagai Machine Learning yang digunakan dalam penelitian ini. Langkah-
langkah spesifik seperti Transform cases, Tokenize, Filter tokens, serta Stemming diterapkan untuk
mempersiapkan data sebelum diimplementasikan pada algoritma C4.5. Hasil penelitian Analisis
Sentimen Pengguna Spotify dengan menggunakan algoritma C4.5 mempunyai tingkat acuracy sebesar
80% dengan precision 71,43% (positive class: negatif) dan recall 100% (positive class: negatif).

Kata Kunci: spotify, algoritma C4.5, analisis sentimen

Abstract
This research explores the application of the C4.5 algorithm in sentiment analysis of user reviews of the
Spotify service. Spotify, as a popular music streaming platform, attracts widespread user interest.
Sentiment analysis is crucial for understanding user perceptions, preferences and satisfaction with
application services. This research methodology utilizes Spotify user review data from Playstore in the
form of 10 positive reviews and 10 negative reviews. The main stages involve data preprocessing,
forming a decision tree model and evaluating model performance with rapidminer as the Machine
Learning used in this research. Specific steps such as Transform cases, Tokenize, Filter tokens, and
Stemming are applied to prepare the data before being implemented in the C4.5 algorithm. The results
of Spotify User Sentiment Analysis research using the C4.5 algorithm have an accuracy level of 80%
with precision 71,43% (positive class: negatif) and recall 100% (positive class: negatif).

Keywords: spotify, C4.5 algorithm, sentiment analysis

1. Pendahuluan dunia. Penggunaannya yang meluas

Musik adalah salah satu bentuk seni
yang universal. Perkembangan teknologi telah
mengubah cara kita mengakses dan
mengkonsumsi musik secara drastis. Salah satu
platform yang telah merevolusi pengalaman
mendengarkan musik adalah Spotify. Spotify
merupakan layanan musik, podcast, dan video
digital yang memberi akses jutaan lagu dan
konten lain dari pembuat konten di seluruh dunia
(spotify,2023). Sebagai salah satu layanan
streaming musik terkemuka di dunia, Spotify
telah menjadi bagian integral dari kehidupan
sehari-hari bagi jutaan pengguna di seluruh
1
memberikan kontribusi pada akumulasi besar
data yang mencakup beragam preferensi
pengguna, ulasan, dan umpan balik. Dengan
pertumbuhan yang pesat dalam jumlah
pengguna tiap tahunnya, analisis sentimen
terhadap layanan tersebut menjadi krusial dalam
memahami persepsi dan kepuasan pengguna.
Analisis sentimen atau disebut juga dengan
opinion mining merupakan riset komputasional
dari pendapat, sentimen dan emosional yang
diekspresikan secara tekstual oleh penulis.
Analisis Sentimen adalah solusi yang secara
otomatis mengelompokkan opini atau peringkat

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International

License.
 JURNAL INFORMATIKA, Vol. 10 No. Desember 2023
ISSN: 2355-6579 | E-ISSN: 2528-2247

menjadi opini positif atau negatif (Rahayu et al.,

2022)
Salah satu pendekatan untuk
menganalisis sentimen adalah dengan
menerapkan algoritma data mining(machine
learning) yang kuat. Data mining adalah
serangkaian proses yang membantu
mengeksplorasi dan mengambil nilai dalam
bentuk hubungan serta informasi kompleks yang
disimpan dalam data base. Dengan menggali
pola informasi terhadap data yang berguna
sebagai memanipulasi data menjadi sebuah
informasi baru dan lebih berfaedah yang
didapatkan melalui cara mengekstrasi juga
mengetahui beberapa pola menarik atau
berharga dari basis data (Dito, 2019). Algoritma
yang paling polpuler pada data mining dan
sering digunakan dalam aplikasi industri, salah
satunya adalah Algoritma C4.5. Algoritma ini
merupakan teknik pembelajaran mesin yang
digunakan untuk membangun model pohon
keputusan. Penerapan Algoritma C4.5 dalam
analisis sentimen Spotify membuka peluang
besar untuk mengeksplorasi opini pengguna,
memahami preferensi, dan meningkatkan Gambar 1. Kerangka Penelitian
layanan berdasarkan umpan balik yang
diberikan. 2.1 Pengumpulan data
Jurnal ini mengusung tujuan untuk Pengumpulan data merupakan proses
mempelajari secara mendalam kemampuan pengambilan informasi atau data dari sumber
Algoritma C4.5 dalam menggali wawasan dari tertentu untuk digunakan dalam penelitian atau
data sentimen pengguna Spotify. Dengan analisis. Metode pengumpulan data bisa
memanfaatkan pendekatan algoritma ini, diartikan sebagai metode ilmiah untuk
penelitian ini akan mencakup konsep, memperoleh data yang valid dengan tujuan
metodologi, dan hasil dari analisis sentimen menemukan, mengembangkan dan
yang dilakukan pada data pengguna Spotify. membuktikan pengetahuan tertentu, sehingga
Oleh karena itu, peneliti mengharapkan hasil pengetahuan tersebut dapat digunakan untuk
dari penelitian ini dapat memberikan pandangan memahami, memecahkan masalah, dan
yang lebih terperinci tentang efektivitas mengantisipasi setiap masalah(Sugiyono,
bagaimana data mining dan algoritma 2019).
pembelajaran mesin dapat diterapkan dalam Pengumpulan data sentimen dalam
pemahaman budaya dan perilaku manusia penelitian ini melibatkan pengambilan data dari
melalui analisis sentimen pengguna spotify. playstore, berupa ulasan yang terkait dengan
penggunaan layanan Spotify dengan
memanfaatkan Web Scrapping menggunakan
2. Metode Penelitian
bahasa pemograman python untuk
Dalam analisis Sentimen Pengguna mengumpulkan data-data review atau komentar
Spotify, penulis menggunakan metode algoritma dari playstore.
klasifikasi C4.5. Metode ini adalah salah satu
metode klasifikasi yang tersedia dalam data 2.2 Praproses Data
mining. Metode ini terdiri dari langkah-langkah Praproses adalah langkah pembersihan
yang terperinci untuk memperoleh data, data dengan mengubah teks asli untuk
melakukan analisis, dan menginterpretasi menghapus beberapa bagian teks yang tidak
hasilnya. relevan dalam pengolahan data selanjutnya
(Delvika et al, 2023). Langkah ini melibatkan
pembersihan data dari duplikasi, data yang tidak
relevan, atau data yang tidak valid. Teknik
seperti tokenisasi, penghapusan stopwords, dan
normalisasi teks juga dapat digunakan dalam
mempersiapkan data teks untuk analisis
sentimen.

<Link address> 2
 JURNAL INFORMATIKA, Vol. 10 No. Desember 2023
2.3 Metode Algoritma C4.5
C4.5 adalah algoritma pembelajaran
mesin yang digunakan untuk menghasilkan
pohon keputusan dari data pelatihan. Pohon
keputusan ini digunakan untuk klasifikasi dan
prediksi dalam analisis data. Algoritma ini
mencari aturan-aturan yang membagi data
menjadi kelompok-kelompok yang homogen
berdasarkan fitur-fitur tertentu. Aturan-aturan ini
kemudian digunakan untuk membangun pohon
keputusan yang dapat digunakan untuk
mengklasifikasikan data baru. C4.5 merupakan
salah satu algoritma pohon keputusan yang
populer dan telah digunakan dalam berbagai
aplikasi, termasuk pengenalan pola, analisis
data, dan sistem pakar.
Dalam implementasi algoritma C4.5,
Machine Learning yang akan digunakan adalah
Rapidminer, yaitu perangkat lunak open source
yang berfungsi untuk menganalisis
penambangan data, penambangan teks, dan
analitik prediktif.
2.4 Validasi dan Evaluasi
Performa model klasifikasi dapat diukur
menggunakan operator Cross Validation. Cross
Validation merupakan sebuah metode validasi
model yang digunakan untuk mengevaluasi
kinerja model prediktif. Dalam prosesnya
terdapat 4 nilai yaitu, (1)True Positive(TP): diberi
label positif dan menurut machine learning juga
positif, (2)False Positive (FP): diberi label positif
sedangkan menurut machine learning negative,
(3)True Negative(TN): diberi label negatif dan
juga menurut machine learning negatif, (4)False
Negative (FN) diberi label negatif tetapi machine
learning menganggap positif. Evaluasi dalam
penelitian akan meliputi pengukuran akurasi,
presisi, recall, untuk mengevaluasi kinerja
algoritma dalam menganalisis sentimen.
3. Hasil dan Pembahasan
3.1 Implementasi Model dengan Rapidminer
a. Read Excel
Operator ini dapat digunakan untuk memuat
data dalam bentuk Microsoft Excel.
b. Replace
berguna dalam proses pembersihan data dan
pra-pemrosesan sebelum analisis lebih lanjut.
Operator ini digunakan untuk mengganti nilai-
nilai dalam atribut (kolom) tertentu dalam
dataset dengan nilai yang ditentukan.
<Link address>
ISSN: 2355-6579 | E-ISSN: 2528-2247
Gambar 2. Proses replace data dengan
Rapiminer
c. Nominal to text
Operator ini mengubah nilai kategori dalam
atribut nominal yang diseleksi menjadi teks.
Setiap nilai nominal hanya digunakan sebagai
nilai string dari atribut baru. Jika nilai tidak ada
dalam atribut nominal, nilai baru juga akan
hilang.
d. Proses Documents From Data
Gambar 3. Pemodelan Proses documents from
data
1) Transform cases : mengonversikan huruf-
huruf menjadi huruf kecil atau huruf besar
untuk memastikan konsistensi dalam
representasi teks. Dalam penelitian ini semua
huruf diubah menjadi huruf kecil karena
kebanyakan teks berbentuk tulisan opini yang
hampir semua teks menggunakan huruf kecil.
2) Tokenize : merupakan teknik memotong
setiap kata yang membentuk string masukan.
Saat mengekstraksi kata-kata yang
membentuk teks, semua karakter selain yang
ada di dalam kata tersebut akan dihilangkan
atau dihapus.
3) Filter tokens : mengeliminasi karakter-
karakter tertentu seperti tanda baca serta
membersihkan teks yang tidak relevan.
4) Stemming : pada proses ini, kata-kata
dalam teks akan diubah menjadi kata dasar
atau mengubah kata menjadi baku. Tujuannya
untuk mengurangi variasi kata yang memiliki
akar atau makna yang sama.
5) Filter stopwords : dengan fitur ini maka
sebelum teks diklasifikasikan, teks yang tidak
relevan dengan data sentimen perlu
dihilangkan sehingga format teks akan
berkurang tanpa mengurangi isi teks tersebut.
e. Select Attributes
Proses pemilihan atribut atau fitur yang
relevan dari dataset yang digunakan untuk
analisis atau emodelan data.
f. Set Role
Proses penentuan peran atau role dari setiap
kolom atau atribut dalam dataset.
3
 JURNAL INFORMATIKA, Vol. 10 No. Desember 2023
ISSN: 2355-6579 | E-ISSN: 2528-2247

g. Cross Validation berhierarki. Pada decision tree, data

Validasi model yang digunakan
mengevaluasi kinerja model prediktif.
Gambar 4. Proses Cross Validation
1) Decision tree : untuk melakukan prediksi
berdasarkan serangkaian keputusan
untuk dipartisi berdasarkan pada fitur-fitur
tertentu dengan tujuan untuk membuat
keputusan atau prediksi.
2) Apply Model : proses menerapkan
model yang telah dibuat pada dataset
baru yaitu mengaplikasikan model
decision tree yang sudah dibuat ke
dalam data yang baru untuk melakukan
prediksi atau klasifikasi.
3) Performance : untuk mengukur
performance akurasi dari model.
3.2 Hasil Pengolahan Data

Gambar 5. Hasil accuracy performance vector pada cross validation

Gambar 6. Grafik ROC pada cross validation

<Link address> 4
 JURNAL INFORMATIKA, Vol. 10 No. Desember 2023
Hasil akhir dari Performance Vector
pada gambar 5 di atas menggambarkan bahwa
pembelajaran mesin mencapai suatu
kesimpulan. Review yang benar-benar positif
(true positive) sebanyak 6 dari 10 data ulasan
positif dan dianggap negatif (false positive)
sebanyak 4 ulasan. Kemudian untuk review
yang benar-benar negatif, machine learning
menyimpulkan bahwa review yang benar-benar
negatif(true negative) sebanyak 10 dari 10 data
ulasan negatif dan yang dianggap positif (false
negative) sebanyak 0 ulasan. Dengan tingkat
persentase recall sebesar 100% (positive class:
negatif) dan precision sebesar 80%(positive
class: negatif). Dan tingkat accuracy pada
analisis sentimen pengguna Spotify dari data
review tersebut disimpulkan mencapai 80%
dalam persentase
AUC (Area Under the Curve) pada
gambar 6. adalah metrik evaluasi kinerja model
yang umum digunakan dalam klasifikasi. AUC
mengukur area di bawah kurva ROC (Receiver
Operating Characteristic), yang merupakan
grafik yang memplot Tingkat True Positive(TP)
Versus Tingkat False Positive(FP) pada
berbagai nilai ambang batas (threshold untuk
model klasifikasi. Dari hasil evaluasi kurva ROC
pada algoritma C4.5 mencapai 0.800.
4. Kesimpulan
Penelitian ini menggambarkan
penerapan algoritma C4.5 dalam menganalisis
sentimen terhadap ulasan pengguna layanan
Spotify. Dalam prosesnya, data ulasan
pengguna Spotify dikumpulkan sebanyak 20
data teks dengan pelabelan 10 positif dan 10
negatif. Kemudian diproses dan dianalisis
menggunakan metode algoritma C4.5. Untuk
hasil pengujiannya yang dilakukan
menggunakan tools Rapidminer mendapatkan
hasil akurasi sebesar 80,00%. Dari tingkat
akurasi yang diperoleh memperlihatkan
kemampuan algoritma C4.5 dalam
mengklasifikasikan sentimen pengguna dengan
baik. Secara keseluruhan, penelitian ini
menyoroti potensi algoritma C4.5 dalam
menganalisis sentimen pengguna Spotify dan
menyediakan landasan untuk penelitian lebih
lanjut guna memperbaiki pemahaman kita
tentang preferensi dan pandangan pengguna
terhadap layanan digital.
Referensi
Rhajendra, M. D., & Trianasari, N. (2021).
Analisis Sentimen Ulasan Aplikasi
Spotify Untuk Peningkatan Layanan
Menggunakan Algoritma Naive Bayes.
eProceedings of Management, 8(5).
<Link address>
ISSN: 2355-6579 | E-ISSN: 2528-2247
Delvika, B.,dkk. (2023). Perbandingan
Algoritma NBC dan C4.5 Dalam
Analisa Sentimen Pemilihan Presiden
2024 Pada Twitter. SENTIMAS,
NO(ISSN(E): 2830-3083), 41-48.
https://journal.irpi.or.id/index.php/senti
mas
Maulida, R., & Bani. (2020). Prediksi Kelulusan
Mahasiswa Tepat Waktu dengan
Algoritma C4.5 dengan Particle Swarm
Optimization pada Univeristas XYZ.
Journal of Artificial Intelligence and
Innovative Applications, 1(3), 138-144.
http://openjournal.unpam.ac.id/index.ph
p/JOAIIA/index
Senubekti, M. A., & Dewi, L. A. P. (2022).
Prinsip Klasifikasi Dan Data Mining
Dengan Algoritma C4.5. JURNAL
NUANSA INFORMATIKAJurnal
Nuansa Informatika, 16(2), 87-93.
https://journal.uniku.ac.id/index.php/ilko
m
Rahayu, A. S., Fauzi, A., & Rahmat. (2020).
Komparasi Algoritma Naïve Bayes Dan
Support Vector Machine (SVM) Pada
Analisis Sentimen Spotify. Jurnal
Sistem Komputer dan Informatika
(JSON), 4(2), 349-354. DOI
10.30865/json.v4i2.5398
Ginabila, G., & Fauzi, A. (2023). Analisis
Sentimen Terhadap Pemutar Musik
Online Spotify Dengan Algoritma Naive
Bayes dan Support Vector Machine.
Jurnal Ilmiah ILKOMINFO-Ilmu
Komputer & Informatika, 6(2), 111-122.
Bachtiar, L., & Mahradianur. (2023). Analisis
Data Mining Menggunakan Metode
Algoritma C4.5 Menentukan Penerima
Bantuan Langsung Tunai. JURNAL
INFORMATIKA, 10(1), 28-36. DOI:
https://doi.org/10.31294/inf.v10i1.15115
Ratnawati, & Natalia, F. (2021). Penerapan
Algoritma C4.5 pada Pengaruh Iklan
Tanpa Label Harga di Instagram.
SISTEMASI: Jurnal Sistem Informasi,
10(1), 176.
http://sistemasi.ftik.unisi.ac.id
Rahmadayanti, F., Lovita, A., & Muntari, S.
(2023). Klasifikasi Kelayakan Penerima
Bantuan Sosial Dengan Algoritma
Decision Tree. ESCAF, 2(1) 1002-
1007.
https://semnas.univbinainsan.ac.id/inde
x.php/escaf/article/view/469
Nurhalimah, L., Hermanto, T. I., & Kaniawulan,
I. (2022). Analisis Prediksi Mood Genre
Musik Pop Menggunakan Algoritma K-
Means dan C4.5. JURIKOM (Jurnal
5
 JURNAL INFORMATIKA, Vol. 10 No. Desember 2023
Riset Komputer), 09(4), 1006-1013.
DOI 10.30865/jurikom.v9i4.4597
Insan, M. K., Hayati, U., & Nurdiawan, O.
(2023). Analisis Sentimen Aplikasi
Brimo Pada Ulasan Pengguna Di
Google Play Menggunakan Algoritma
Naive Bayes. JATI (Jurnal Mahasiswa
Teknik Informatika), 7(1), 478-483.
Albasithu, F., & Wibowo, A. (2022).
Perbandingan Algoritma Naïve Bayes
Dan C4.5 pada Analisis Sentimen
Presiden 3 Periode di Twitter. Prosiding
Seminar Nasional Mahasiswa Fakultas
Teknologi Informasi (SENAFTI), 1(1),
510–516.
https://senafti.budiluhur.ac.id/index.php/
senafti/article/view/217
Sinaga, T. H., Wanto, A., Gunawan, I.,
Sumarno, S., & Nasution, Z. M. (2021).
Implementasi Data Mining
<Link address>
ISSN: 2355-6579 | E-ISSN: 2528-2247
Menggunakan C4. 5 Algoritma
Kepuasan Pelanggan di PDAM Tirta
Lihou. Jurnal Jaringan Komputer,
Arsitektur dan Komputasi Kinerja
Tinggi, 3(1), 9-20.
Cahyaningtyas, C., Nataliani, Y., & Widiasari, I.
R. (2021). Analisis sentimen pada
rating aplikasi Shopee menggunakan
metode Decision Tree berbasis
SMOTE. AITI, 18(2), 173-184.
Rakhman, A., & Tsani, M. R. (2019). Analisis
Sentimen Review Media Massa
Menggunakan Metode C4. 5 Berbasis
Forward Selection. Smart Comp:
Jurnalnya Orang Pintar Komputer, 8(2),
78-82.
GmbH, R. (n.d.). Performance Binominal
Classification (RapidMiner Studio Core)
6