Analisa sentimen review aplikasi conference zoom pada play store menggunakan metode long short term memory

Analisa sentimen review aplikasi conference zoom pada play store menggunakan metode long short term memory

• By Putri, Destiana;
• Tesis
• 303

Semenjak diberlakukannya Pembatasan Sosial Berskala Besar (PSBB) maupun Pemberlakuan Pembatasan Kegiatan Masyarakat (PPKM) pemerintah menghimbau masyarakat untuk berkegiatan dari rumah atau work from home (WFH) dan Pembelajaran secara daring demi mengurangi penyebaran virus corona jenis baru penyebab Covid-19. Zoom Cloud Meeting adalah salah satu aplikasi video conference yang dapat menunjang kebutuhan komunikasi di manapun dan kapanpun dengan bayak orang tanpa harus bertemu fisik secara langsung. Aplikasi Zoom memiliki kekurangan dan kelebihan dalam hal penilaian positif maupun negatif. Adanya penilaian positif atau negatif data dapat diolah dan digunakan oleh perusahaan, sehingga perusahaan dapat memahami sentimen apa yang mendominasi pemikiran konsumen tentang Aplikasi zoom. Ulasan yang terdapat pada kolom komentar Google Play dapat dimanfaatkan sebagai sumber data yang dapat di oleh dengan data mining. Penelitian ini akan menganalisa mengenai permasalahan yang berkaitan dengan beberapa ulasan tentang Aplikasi Zoom cloud metting pada ulasan di Google Play Store serta menentukan hasil akurasi analisa sentimen yang dihasilkan algoritma LSTM dan CNN. Dari kedua model tersebut model LSTM lebih baik dan dapat memprediksi ulasan zoom dengan akurasi sebesar 92. 91%, presisi 93.22%, nilai recall 93.47% dan niai F1-score sebesar 93.35% dengan nilai ROC dan AUC sebesar 0,97. Adapun manfaat dari penelitian ini adalah untuk membantu manajemen aplikasi zoom mengenai opini positif atau negatif dari pengguna aplikasi serta dapat  memberikan bukti  secara  empiris  untuk  teori  yang  berkaitan sehingga  dapat  dijadikan  sumbangan  pemikiran untuk pengembangan teori berikutnya.

• Katakunci Analisa Sentimen, Zoom Cloud Metting, Text Mining, LSTM, CNN
• URL http://
• Penerbit ,

REFERENSI

 [1]      M. Rezki, D. N. Kholifah, M. Faisal, and R. Suryadithia, “Analisis Review Pengguna Google Meet dan Zoom Cloud Meeting Menggunakan Algoritma Naïve Bayes,” vol. 2, no. 2, pp. 264–270, 2020.

[2]      N. Alfareza, “Analisis Sentimen ZOOM Cloud Meetings Pada Google Play Store Review,” pp. 42–45, 2020.

[3]      F. FANANI and I. A. Bustoni, “KLASIFIKASI REVIEW SOFTWARE PADA GOOGLE PLAY MENGGUNAKAN PENDEKATAN ANALISIS SENTIMEN,” 2017.

[4]      A. P. Natasuwarna, “Seleksi Fitur Support Vector Machine pada Analisis Sentimen Keberlanjutan Pembelajaran Daring,” Techno.Com, vol. 19, no. 4, pp. 437–448, 2020, doi: 10.33633/tc.v19i4.4044.

[5]      E. Widodo, I. Al Maksur, and ..., “Analisis Sentimen Tripadvisor Terhadap Pariwisata Gunung Bromo dan Gunung Semeru,” Semin. Nas. Multimed. Artif. Intell. 2019 Yogyakarta, 30 Novemb. 2019, no. November, pp. 43–48, 2019, [Online]. Available: http://papersmai.mercubuana-yogya.ac.id/index.php/smai/article/download/33/29.

[6]      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.

[7]      M. K. Naserly, “Implementasi Zoom, Google Classroom dan WhatsApp Group dalam Mendukung Pembelajaran Daring (Online) Pada Mata Kuliah Bahasa Inggris,” J. Phys. A Math. Theor., vol. 44, no. 8, pp. 155–165, 2011, [Online]. Available: https://jurnal-dikpora.jogjaprov.go.id/index.php/jurnalideguru/article/view/129.

[8]      H. Sulastri and A. I. Gufroni, “Penerapan Data Mining Dalam Pengelompokan Penderita Thalassaemia,” J. Nas. Teknol. dan Sist. Inf., vol. 3, no. 2, pp. 299–305, 2017, doi: 10.25077/teknosi.v3i2.2017.299-305.

[9]      A. K. Wardhani, “K-Means Algorithm Implementation for Clustering of Patients Disease in Kajen Clinic of Pekalongan,” J. Transform., vol. 14, no. 1, p. 30, 2016, doi: 10.26623/transformatika.v14i1.387.

[10]    P. B. N. Setio, D. R. S. Saputro, and Bowo Winarno, “Klasifikasi Dengan Pohon Keputusan Berbasis Algoritme C4.5,” Prism. Pros. Semin. Nas. Mat., vol. 3, pp. 64–71, 2020.

[11]    D. A. Agustina, S. Subanti, and E. Zukhronah, “Implementasi Text Mining Pada Analisis Sentimen Pengguna Twitter Terhadap Marketplace di Indonesia Menggunakan Algoritma Support Vector Machine,” Indones. J. Appl. Stat., vol. 3, no. 2, p. 109, 2021, doi: 10.13057/ijas.v3i2.44337.

[12]    I. Darmawan, O. N. Pratiwi, F. R. Industri, and U. Telkom, “Analisis Sentimen Ulasan Produk Toko Online Rubylicious Untuk,” vol. 7, no. 2, pp. 7026–7034, 2020.

[13]    A. Sari, F. V., & Wibowo, “Analisis Sentimen Pelanggan Toko Online Jd. Id Menggunakan Metode Naïve Bayes Classifier Berbasis Konversi Ikon Emosi,” Simetris J. Tek. Mesin, Elektro dan Ilmu Komput., vol. 2, no. 2, pp. 681–686, 2019.

[14]    B. Panjaitan and K. M. Lhaksmana, “Analisis Sentimen Publik Terhadap Calon Presiden 2019 Melalui Twitter Menggunakan Metode Naive Bayes Classifier ( Studi kasus : Pilpres 2019 ),” vol. 6, no. 2, pp. 9744–9752, 2019.

[15]    Y. Astari and S. W. Rozaqi, “Analisis Sentimen Multi-Class pada Sosial Media menggunakan metode Long Short-Term Memory ( LSTM ),” vol. 4, no. 1, pp. 8–12, 2021.

[16]    D. T. Hermanto, A. Setyanto, and E. T. Luthfi, “Algoritma LSTM-CNN untuk Binary Klasifikasi dengan Word2vec pada Media Online,” Creat. Inf. Technol. J., vol. 8, no. 1, p. 64, 2021, doi: 10.24076/citec.2021v8i1.264.

[17]    F. A. Nugraha, N. H. Harani, R. Habibi, and R. N. S. Fatonah, “Sentiment Analysis on Social Distancing and Physical Distancing on Twitter Social Media using Recurrent Neural Network (RNN) Algorithm,” J. Online Inform., vol. 5, no. 2, pp. 195–204, 2020, doi: 10.15575/join.

[18]    D. D. Junianto, F. Ramdani, and D. Pramono, “Sistem Informasi Penentuan Lokasi Pembangunan Kawasan Industri di Kabupaten Mojokerto Menggunakan Metode Multi-Creteria Evaluation,” J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 2, no. 9, pp. 2476–2484, 2018.

[19]    W. D. Septiani, “Komparasi Metode Klasifikasi Data Mining Algoritma C4.5 Dan Naive Bayes Untuk Prediksi Penyakit Hepatitis,” None, vol. 13, no. 1, pp. 76–84, 2017, doi: 10.33480/pilar.v13i1.149.

[20]    T. Pattiasina and ; Didi Rosiyadi, “Techno Nusa Mandiri : Journal of Computing and Information Technology As an Accredited Journal Rank 4 based on SK Dirjen Risbang SK Nomor,” vol. 17, no. 1, pp. 23–30, 2020.

[21]    C. A. Sugianto, “Penerapan Teknik Data Mining Untuk Menentukan Hasil Seleksi Masuk Sman 1 Gibeber Untuk Siswa Baru Menggunakan Decision Tree,” pp. 39–43, 2017, doi: 10.31227/osf.io/vedu7.

[22]    R. Ningsih, Y. Azhar, and Y. Munarko, “Rekomendasi Lowongan Pekerjaan dari Portal Bursa Lowongan Kerja Memanfaatkan Cosine Similarity dan Simple Additive Weighting,” J. Repos., vol. 2, no. 5, p. 601, 2020, doi: 10.22219/repositor.v2i5.58.

[23]    T. Carneiro, R. V. M. Da Nobrega, T. Nepomuceno, G. Bin Bian, V. H. C. De Albuquerque, and P. P. R. Filho, “Performance Analysis of Google Colaboratory as a Tool for Accelerating Deep Learning Applications,” IEEE Access, vol. 6, pp. 61677–61685, 2018, doi: 10.1109/ACCESS.2018.2874767.

[24]    R. Cahyadi, A. Damayanti, and D. Aryadani, “Recurrent neural network (rnn) dengan long short term memory (lstm) untuk analisis sentimen data instagram,” vol. 5, pp. 1–9, 2020.

[25]    C. R. Aydln and T. Gungor, “Combination of recursive and recurrent neural networks for aspect-based sentiment analysis using inter-aspect relations,” IEEE Access, vol. 8, pp. 77820–77832, 2020, doi: 10.1109/ACCESS.2020.2990306.

[26]    D. A. Lionovan, L. W. Santoso, and R. Intan, “Klasifikasi Topik dan Analisa Sentimen Terhadap Kuesioner Umpan Balik Universitas Menggunakan Metode Long Short-Term Memory,” J. Infra, vol. 8, no. 2, pp. 1–6, 2017.

[27]    A. Puspaningrum and M. S. Bunga, “Klasifikasi Perubahan Perangkat Lunak pada Mobile App Review dengan Menggunakan Metode Long Short Term Memory ( LSTM ) Jurnal IKRA-ITH Informatika Vol 4 No 3 November 2020 Jurnal IKRA-ITH Informatika Vol 4 No 3 November 2020,” vol. 4, no. 08, pp. 41–46.

[28]    A. Faadilah, “Analisis Sentimen Pada Ulasan Aplikasi Tokopedia Di Google Play Store Menggunakan Metode Long Short Term Memory,” 2020.

D. Muliadi, “Universitas Sumatera Utara 7,” pp. 7–37, 2015.