1.png)
Analisis Sentimen pada Ulasan Produk dengan SVM dan Word2Vec
Abstract
Analisis sentimen adalah salah satu cabang pemrosesan bahasa alami (NLP) yang bertujuan untuk mengidentifikasi opini dalam teks. Penelitian ini mengusulkan model analisis sentimen dengan menggunakan kombinasi Word2Vec sebagai teknik representasi fitur dan Support Vector Machine (SVM) sebagai algoritma klasifikasi. Dataset yang digunakan adalah Amazon Customer Reviews, dengan 500 ribu sampel ulasan produk yang dilabeli sebagai sentimen positif atau negatif. Model yang diusulkan dibandingkan dengan baseline seperti Naive Bayes dan Logistic Regression, yang menggunakan representasi fitur berbasis TF-IDF.
Hasil evaluasi menunjukkan bahwa SVM dengan Word2Vec menghasilkan akurasi 91.3\%, precision 90.8\%, recall 92.1\%, dan F1-score 91.4\%, lebih unggul dibandingkan model baseline. Grafik Precision-Recall Curve dan ROC Curve memperkuat temuan bahwa Word2Vec memberikan representasi fitur yang lebih informatif, yang secara signifikan meningkatkan performa SVM dalam tugas klasifikasi teks.
Penelitian ini membuktikan efektivitas kombinasi Word2Vec dan SVM untuk analisis sentimen pada dataset besar dan kompleks. Pendekatan ini relevan untuk berbagai domain, seperti e-commerce dan analisis opini di media sosial, serta membuka peluang untuk pengembangan lebih lanjut menggunakan model berbasis transformer.
Keywords
Full Text:
PDF (Bahasa Indonesia)References
L. E. Putri and M. A. Humaira, “Pengaruh ulasan produk terhadap keputusan pembelian konsumen,”
karimahtauhid, vol. 3, no. 1, pp. 694–702, Jan. 2024.
S. Hartini, M. Kurniawati, and M. Ihwanudin. (2022) Customer review: Impact on
choice confidence, product attitude, and purchase intention. [Online]. Available: ht-
tps://journalppw.com/index.php/jpsp/article/view/10868/7018.
C. F. Riska, Y. Hendayana, and M. Wijayanti. (2023) Pengaruh ulasan konsumen, kualitas produk dan
marketing influencer terhadap keputusan pembelian produk erigo (studi kasus mahasiswa universitas
bhayangkara jakarta raya).
B. Saju, S. Jose, and A. Antony, “Comprehensive study on sentiment analysis: Types, approaches,
recent applications, tools and apis,” in 2020 Advanced Computing and Communication Technologies for
High Performance Applications (ACCTHPA), Cochin, India, 2020, pp. 186–193.
N. D. Putranti and E. Winarko. (n.d.) Analisis sentimen twitter untuk teks berbahasa in-
donesia dengan maximum entropy dan support vector machine. [Online]. Available: ht-
tps://doi.org/10.22146/ijccs.3499.
S. Kumawat, I. Yadav, N. Pahal, and D. Goel, “Sentiment analysis using language models: A study,”
in 2021 11th International Conference on Cloud Computing, Data Science & Engineering (Confluence),
Noida, India, 2021, pp. 984–988.
M. S. Islam, M. N. Kabir, N. Ab Ghani, K. Z. Zamli, N. S. A. Zulkifli, M. M. Rahman, and M. A. Mo-
ni, “Challenges and future in deep learning for sentiment analysis: a comprehensive review and a
proposed novel hybrid approach,” 2024.
R. Chahar and A. K. Dubey, “Machine learning-based sentiment analysis: A comprehensive review,”
in 2024 International Conference on Cognitive Robotics and Intelligent Systems (ICC - ROBINS), Coim-
batore, India, 2024, pp. 52–57.
S. Rezvani, F. Pourpanah, C. P. Lim, and Q. M. J. Wu, “Methods for class-imbalanced learning with
support vector machines: a review and an empirical evaluation,” 2024.
(n.d.) Sentiment analysis methods: Overview, pros
https://research.aimultiple.com/sentiment-analysis-methods/.
&
cons.
[Online].
Available:
A. Nurdin, B. Seno Aji, A. Bustamin, and Z. Abidin, “Perbandingan kinerja word embedding word2vec,
glove, dan fasttext pada klasifikasi teks,” Jurnal Tekno Kompak, vol. 14, p. 74, 2020.
I. Rifky, E. Utami, and A. Dwi, “Analisis perbandingan metode tf-idf dan word2vec pada klasifikasi
teks sentimen masyarakat terhadap produk lokal di indonesia,” Smart Comp: Jurnalnya Orang Pintar
Komputer, vol. 11, 2022.
S. Styawati, A. Nurkholis, A. A. Aldino, S. Samsugi, E. Suryati, and R. P. Cahyono, “Sentiment ana-
lysis on online transportation reviews using word2vec text embedding model feature extraction and
support vector machine (svm) algorithm,” in 2021 International Seminar on Machine Learning, Opti-
mization, and Data Science (ISMODE), Jakarta, Indonesia, 2022, pp. 163–167.
J. Lilleberg, Y. Zhu, and Y. Zhang, “Support vector machines and word2vec for text classification with
semantic features,” in 2015 IEEE 14th International Conference on Cognitive Informatics & Cognitive
Computing (ICCI*CC), Beijing, China, 2015, pp. 136–140.
E. M. Alshari, A. Azman, S. Doraisamy, N. Mustapha, and M. Alkeshr, “Improvement of sentiment
analysis based on clustering of word2vec features,” in 2017 28th International Workshop on Database
and Expert Systems Applications (DEXA), Lyon, France, 2017, pp. 123–126.
H. Tao, J. Zhou, S. A. B. Zadeh, O. A. Adetiloye, M. Li, I. Uhumuavbi, and C. Iwendi, “Evaluation of
text classification using support vector machine compare with naive bayes, random forest decision
tree and k-nn,” in Springer International Publishing, n.d.
A. Supian, B. T. Revaldo, N. Marhadi, Rahmaddeni, and L. Efrizoni, “Penerapan svm dan word2vec
untuk analisis sentimen ulasan pengguna aplikasi dana,” jikstik, vol. 23, no. 3, pp. 321–332, Sep. 2024.
S. A. P., “Analisis sentimen berbasis aspek dengan
arning menggunakan dataset bahasa indonesia,” 2022,
tps://etd.repository.ugm.ac.id/penelitian/detail/209326.
pendekatan machine
[Online]. Available:
le-
ht-
M. Hitesh, V. Vaibhav, Y. J. A. Kalki, S. H. Kamtam, and S. Kumari, “Real-time sentiment analysis of
election tweets using word2vec and random forest model,” in 2019 2nd International Conference
on Intelligent Communication and Computational Techniques (ICCT), Jaipur, India, 2019, pp. 146–151.
DOI: http://dx.doi.org/10.26798/jiko.v9i1.1498
Article Metrics
Abstract view : 41 timesPDF (Bahasa Indonesia) - 22 times
Refbacks
- There are currently no refbacks.
Copyright (c) 2025 WIDYASTUTI ANDRIYANI, Yuli Astuti, Bradika Almandin Wisesa, Hengki Hengki
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.