A.

TINJAUAN PUSTAKA

Bab ini akan membahas teori-teori dan penelitian terkait yang relevan dengan

analisis sentimen terhadap review produk skincare pada web sociolla menggunakan

metode naïve bayes.

1. Literatur

a. Sociolla

Sociolla adalah perusahaan e-commerce sekaligus platform sosial yang berfokus

kepada kecantikan dan perawatan kulit. Sociolla sendiri didirikan secara resmi

pada tahun 2015 oleh Christopher Madiam, Chrisanti Indiana dan John Marco

Rasjid. Sociolla berkolaborasi langsung dengan distributor nasional dan pemilik

merek resmi di Indonesia dan telah tercatat sebanyak lebih dari 150 merek

kecantikan dan lebih dari 5.000 pilihan produk yang terdaftar. Tujuannya adalah

untuk menjamin setiap produknya yang dijual belikan adalah 100% original

bersertifikasi BPOM (Badan Pengawas Obat dan Makanan). Sociolla

menyediakan layanan berbagai fitur yang memudahkan konsumen untuk

membeli produk kosmetik dan skincare terkenal. Tak hanya itu di sini

konsumen juga dapat berbagai review produk kecantikan dengan testimoni yang

jujur. Layanan Sociolla dapat diakses melalui situs resmi sociolla, dapat jg

diakses melalui aplikasi sociolla di playstore atau melalui offline store sociolla.

b. Naïve Bayes

Algoritma Naive Bayes adalah metode klasifikasi statistik yang didasarkan pada

teorema Bayes. Tujuannya adalah untuk mengklasifikasikan suatu data ke dalam

kategori tertentu berdasarkan probabilitas yang dihitung dari fitur-fitur yang

ada. Keuntungan penggunaan Naive Bayes Classifier adalah metode ini hanya

membutuhkan jumlah data pelatihan (training data) yang kecil untuk

menentukan estimasi parameter yang diperlukan dalam proses

pengklasifikasian. Akan tetapi, Naïve Bayes ternyata mempunyai kekurangan,

yaitu sangat sensitif dalam pemilihan fitur. Jumlah fitur yang terlalu banyak

dalam proses klasifikasi, tidak hanya meningkatkan waktu penghitungan tetapi

juga menurunkan akurasi[10].Metode Naive Bayes Classifier menempuh dua

tahap dalam proses klasifikasi teks, yaitu tahap pelatihan dan tahap klasifikasi.

Pada tahap pelatihan dilakukan proses tehadap sampel data yang sedapat

mungkin dapat menjadi representasi data tersebut. Selanjutnya adalah penentuan

probabilitas prior bagi tiap kategori berdasarkan sampel data[11]. Meskipun

sederhana, algoritma ini sering digunakan dalam berbagai aplikasi, termasuk

analisis sentimen, klasifikasi teks, dan deteksi spam. Pada tahap klasifikasi

ditentukan nilai kategori dari suatu data berdasarkan term yang muncul dalam

data yang diklasifikasi. Secara umum naïve bayes memiliki teorema sebagai

berikut :

P ( wi|cj ) P(Cj)
P(Cj|Wi) =
P(Wi)

Ket :

 P(Cj|Wi) : Peluang kategori j, ketika terdapat kemunculan kata i.

 P(wi/cj) : Peluang kata i masuk kedalam kategori.

 P(Cj) : Peluang kemunculan kategori j.

 P(Wi) : Peluang kemunculan kata.

Untuk menghitung P(Cj|Wi) dapat dilakukan dengan rumus sebagai berikut :

 Nic +1
P(Cj|Wi) =
Nc+V

 Nic : Jumlah dokumen latih dengan fitur atribut Wi dengan kategori Cj

 NC : Jumlah dokumen dari kategori Cj

 V = Jumlah kategori [12]

2. Penelitian Terdahulu Yang Relevan

Peneliti,Tahun Judul Metode Akurasi

Dinda Ayu Mutia Opinion Mining Naïve Bayes 83%

(2018) Pada Review

Produk

Kecantikan

Menggunakan

Algoritma Naïve

Bayes

Tri Astuti, Yuli Astuti Analisis Naïve Bayes 79,85%

(2022) Sentimen Review & Particle

Produk Skincare Swarm

Dengan Naïve Optimizatio

 Bayes Classifier n (PSO)

Berbasis Particle

Swarm

Optimization

(PSO)

Dinar Ajeng Analisis SVM 97%

Kristiyanti (2015) Sentimen Review

Produk Kosmetik

Menggunakan

Algoritma

Support Vector

Machine Dam

Particle Swarm

Optimization

Sebagai Metode

Seleksi Fitur

Muktafin, Elik Hari Analisis NLP 69,23%

Kusrini, Kusrini Sentimen pada

Luthfi, Emha Taufiq Ulasan

(2020) Pembelian

Produk di

Marketplace

Shopee

Menggunakan

Pendekatan

Natural

Language
 Processing

Idris, Irma Surya Analisis SVM 98%

Kumala Mustofa, Sentimen

Yasin Aril Salihi, Terhadap

Irvan Abraham (2023) Penggunaan

Aplikasi Shopee

Mengunakan

Algoritma

Support Vector

Machine (SVM)

Evasaria M.Sipayung, Perancangan Naïve Bayes 99,12%

Herastia Maharani, Sistem Analisis

Ivan Zefanya (2016) Sentimen

Komentar

Pelanggan

Menggunakan

Metode Naive

Bayes Classifier

Yutika, Clarisa Hasya Analisis TF-IDF dan 62,81%

Adiwijaya, Adiwijaya Sentimen Naïve

Faraby, Said Al Berbasis Aspek Bayes

(2021) pada Review

Female Daily

Menggunakan

TF-IDF dan

Naïve Bayes