Author’s Prepocessing Process Data Method Focus Result Performance

Time Measurement
Metric
Yi Liu, Jiahuan 1. Pemilihan fitur 500.000 RNN (Recurrent Analisis Mengungkapkan 95,5%
Lu, Jie Yang dan 2. Klasifikasi Sentimen ulasan neural network), sentiment untuk pendapat pelanggan
Feng Mao 3. Model pembelajaran produk CNN(Convolutional review positif tentang produk yang
mendalam(model BERT, GRU) Neural Network), negativ pada dijual di plat e-
4. Menganalisis sentiment review BiGRU dan Bert- produk e- commerce untuk
pada produk e-commerce BiLSTM commerce meningkatkan kualitas
5. Desain eksperimen & analisis produk
hasil
Feisal Adel 1. Saring Produk 4500 review Naive Bayes menganalisis Untuk mendukung 76,5%
Ramadhan, 2. Pengumpulan data produk classifier (NBC) ulasan review
review produk di
Rd.Ridwan 3. Pra pemrosesan data konsumen Indonesia yang dapat
Permana Ruslan, 4. Mengonversi emotion tentang earphone
membantu perusahaan
Amalia Zahra 5. Pembersihan (mengapus kata nirkabel produke-commerce dan
yang berlebihan,) dari perusahaanpenjual untuk
6. Ekstraksi fitur e-commerce melakukan analisis
7. Distribusi bagian set data Indonesia yang lebih mendalam
8. Klasifikasi tokopedia terhadap produk yang
di review
Binti Najibah 1. Review dokumen (3 kategori 1068 revie Naïve Bayes Untuk analisis Analisis sentiment Pembobotan
Agus Ratri, Yuita produk, diambil 5 produk dgn produk dengan pembobotan sentimen review untuk review positif TF 55%
Arum Sari, brand yang berbeda) Log TF dan pelanggan pada negativ pada produk e- Log TF 52%
Indriati 2. Pre-processing pembobotan TF produk commerce (produk
3. Pembobotan Support-vector kecantikan kecantikan)
4. Klasifikasi Metode Naïve Bayes machine(SVM),
5. Analisis hasil pengujian KNN

I Made Adi 1. data collection 5736 Naïve Bayes, KNN Analisis Metode naïve bayes Naïve bayes
Susilayasa,AAIN 2. pre processing review, sentiment untuk menghasilkan analisis 88%
Eka Karyawati, 3. analisis 17197 data review sentiment lebih baik KNN 76%
Luh Gede Astuti, 4. pengembangan model train pelanggan pada dibandingkan dengan
Luh Arida Ayu klasifikasi produk e- metode KNN dalam
Rahning, I Gede 5. evaluasi dan validasi commerce mengelompokkan
Arta Wibawa, I review positif,
Komang Ari negative, netral
Mogi produk pada pakaian
batik
Kuncherinchen K 1. Pengumpulan data Naïve bayes, Analisis mengetahui review
Thomas, Sarath P 2. Analisis sentiment Random Forest, sentiment dalam pelanggan terhadap
Anil, Ebin 3. Klasifikasi algoritma Logistic Regression review terhadap (positif, negative,
Kuriakose, Neem 4. Matrik dan evaluasi analisis dan Support Vector produk e- netral) produk yang
George sentimen Machine commerce dijual di plat e-
commerce
Pradita Eko 300 data Algoritma TF-IDF Analisis Untuk tahu review 70%
Prasetyo Utomo, sentiment untuk penilaian ataupun
Manaar, Ulfa review produk e- persepsi terhadap
Khaira, Tri commerce produk sepatu yang
Suratno (sepatu) dijual berdasarkan
hasil analisis dari
algoritma TF-IDF
dengan hasil
Visualisasi sentimen
dan Visualisasi
WordCloud 70%
Anggi Hanfiah, 1. Collecting data 1754 dataset Naïve bayes, Analisis mengetahui hasil data training
Arbi Hazah 2. Prepocessing Algoritma, TF-IDF sentiment untuk sentimen terhadap 60%
Nasution, Yudhi 3. Term Weighting review produk e- produk melalui review menggunakan
Artha, Rizky commerce positif negativ produk fitur
Wandri, Hafizah e-commerce pembobotan
Okasia Nasution, TF-IDF
Jerika Mardafora
Md.Jahed 15630 data SVM Analisis Untuk mendukung 94%
Hossain review sentiment untuk review produk di
ulasan review Indonesia yang dapat
positif negativ membantu perusahaan
produk e- e-commerce dan
commerce penjual untuk
melakukan analisis
yang lebih mendalam
terhadap produk yang
sudah di review
Ainur Rahman, 1. Tentukan nilai k sebagai Algoritma teks Analisis Mengetahui review 92%
Heri Suroyo jumlah klister yang ingin clustering k-means sentiment untuk positif negativ pada
dibentuk ulasan review produk e-commerce
2. Inisialisasi k sebagai produk pada e-
centroid yang dapat commerce
dibangkitkan secara
random
3. Hitung jarak setiap data
kemasing-masing centroid
menggunakan persamaan
Euclidean Distance
4. Kelompokkansetiapdata
berdasarkan jarak terdekat
antara data dengan
centroidnya
5. Tentukanposisi centroid
baru (k)
6. Kembali ke Langkah 3
jika posisi centroid baru
dengan centroid lama
tidak sama.

Alisia Silver 1899 data Naïve bayes Analisis Mengetahui positif, 97,16%
Stone, Fathoni sentiment untuk negative ulasan review
ulasan review pada produk dan dapat
positif negativ meningkatkan kualitas
produk e- dari produk
commerce
Billy Gunawan, 1500 Naïve bayes, Analisis Hasil pengujian 77,78%
Helen Sasty Pembobotan TF- Sentimen pada menunjukkan
Pratiwi, Enda IDF Ulasan Produk pengujian review
Esyudha Pratama negatif, netral dan
positif pada ulasan
produk
Rifki Kosasih, 1. Pengumpulan 1000 ulasan metode TF-IDF dan Analisis Mengetahui positif, 79,33%
Anggi Alberto 2. Text Preprocessing K-Nearest Neighbor Sentimen Produk negative ulasan review
3. Pembobotan Kata (KNN) Permainan pada produk permainan
4. Klasifikasi KNN dan dapat
5. Ouput Sentimen meningkatkan kualitas
dari produk tersebut
Retno Sari Algoritma Naive Analisis memberikan ulasan
Bayes Sentimen positif dan ulasan
Review Restoran negative pada produk
pada rating makanan yang di jual
makanan di e-commerce
menggunakan
Algoritma Naive
Bayes

Billy Gunawan, Analisis Hasil pengujian

Helen Sasty sentiment review menunjukkan pada
Pratiwi, Enda produk online pengujian 3 kelas
Esyudha Pratama dalam klasifikasi (negatif, netral dan
5 kelas(sangat positif) hasil terbaik
negatif, negatif, didapatkan pada 90%
netral, positif data latih dan 10% data
dan sangat uji dengan nilai akurasi
positif) 77.78%, recall 93.33%
dan precision 77.78%
dan pada pengujian 5
kelas hasil terbaik
didapatkan pada 90%
data latih dan 10% data
uji dengan nilai akurasi
59.33 %, recall 58.33
% dan precision 59.33
%.
Dinda Ayu Naïve bayes Analisis dapat membantu 75,50%
Muthia sentiment review seseorang untuk
produk buku menghemat waktu saat
online mencari review suatu
buku yang khususnya
buku-buku best-seller
yang akan diangkat ke
layar lebar menjadi
sebuah film tanpa
harus
mengkhawatirkan
adanya spoiler dan
pemberian rating yang
tidak sesuai dengan
reviewnya.

Andini Syahara 1. Review dokumen 500 review Naïve Bayes Analisis

2. Pre-processing ulasan sentiment
3. Klasifikasi Metode Naïve Bayes review kepuasan
pelanggan
produk skintific