Penggunaan Support Vector Machine Untuk Analisis Sentimen Ulasan Aplikasi Truecaller Dan Getcontact

Salma Rita, Didik Indrayana, Agung Pambudi

Abstract


Panggilan spam adalah panggilan apa pun yang dilakukan tanpa persetujuan penerima dan untuk alasan apa pun. Panggilan ini dapat berasal dari pemasaran, periklanan, pemberitahuan, atau penipuan.. Rata-rata orang Indonesia menerima 14 panggilan spam per hari. Hanya setengahnya yang berasal dari nomor buku kontak. Menurut Google Play Store, aplikasi Truecaller dan Getcontact menawarkan sejumlah keuntungan karena masing-masing membantu mengidentifikasi penelepon dan mencegah spam. Namun, dalam hal ini, perangkat lunak pemblokiran panggilan spam memiliki sejumlah kelemahan, termasuk kesalahan dalam mengidentifikasi panggilan spam dan memblokir panggilan yang tidak berguna. Analisis sentimen dapat membantu pengguna dalam memilih aplikasi yang sesuai dengan kebutuhannya dan dalam penelitian ini bermaksud untuk menganalisis ulasan pada sentimen kedua aplikasi yaitu Truecaller dan Getcontact dengan menganalisis efektivitas berdasarkan pada ulasan aplikasi tersebut Algoritma klasifikasi Support Vector Machine yang berisi pedoman mendasar untuk memaksimalkan batas hyperplane yang memisahkan dua dataset, digunakan dalam proses klasifikasi penelitian ini. Hasil penelitian menunjukkan bahwa aplikasi Truecaller pada 10-fold cross validation memiliki rata-rata akurasi sebesar 88,20% dan aplikasi Getcontact memiliki akurasi rata-rata sebesar 87,90%. Sementara itu, aspek sentimen pada aplikasi Truecaller memiliki nilai rata-rata akurasi sebesar 60,20%, sedangkan aplikasi Getcontact memiliki akurasi rata-rata 63,30%.

Keywords


Panggilan spam; Analisis sentimen; Support Vector Machine

Full Text:

PDF

References


Kominfo, “Indonesia Peringkat ke-2 Dunia Kasus Kejahatan Siber,” 2015. https://www.kominfo.go.id/index.php/content/detail/4698/Indonesia-Peringkat-ke-2-Dunia-Kasus-Kejahatan-Siber/0/sorotan_media

P. Rosmalia, “Dibanjiri Panggilan Spam, Indonesia Rentan Penipuan,” 2022. https://mediaindonesia.com/weekend/477528/dibanjiri-panggilan-spam-indonesia-rentan-penipuan

D. Duei Putri, G. F. Nama, and W. E. Sulistiono, “Analisis Sentimen Kinerja Dewan Perwakilan Rakyat (DPR) Pada Twitter Menggunakan Metode Naive Bayes Classifier,” J. Inform. dan Tek. Elektro Terap., vol. 10, no. 1, pp. 34–40, 2022, doi: 10.23960/jitet.v10i1.2262.

M. N. Muttaqin and I. Kharisudin, “Analisis Sentimen Pada Ulasan Aplikasi Gojek Menggunakan Metode Support Vector Machine dan K Nearest Neighbor,” UNNES J. Math., vol. 10, no. 2, pp. 22–27, 2021, [Online]. Available: http://journal.unnes.ac.id/sju/index.php/ujm

A. Sitio, A. Sindar, M. Marbun, D. Tiara, and A. Aswin, “Pengenalan Data Scientist Pada Peserta PKBM AL HABIB Melalui Belajar Dasar Coding Python,” J. Pengabdi. Pada Masy., vol. 7, no. 1, pp. 194–200, 2022, doi: 10.30653/002.202271.44.

A. Nayoan, “Apa itu Web Scraping? Pengertian, Teknik, dan Manfaatnya,” 2020. https://www.niagahoster.co.id/blog/web-scraping/

B. Gunawan, H. S. Pratiwi, and E. E. Pratama, “Sistem Analisis Sentimen pada Ulasan Produk Menggunakan Metode Naive Bayes,” J. Edukasi dan Penelit. Inform., vol. 4, no. 2, p. 113, 2018, doi: 10.26418/jp.v4i2.27526.

R. Nanda, E. Haerani, S. K. Gusti, and S. Ramadhani, “Klasifikasi Berita Menggunakan Metode Support Vector Machine,” J. Nas. Komputasi dan Teknol. Inf., vol. 5, no. 2, pp. 269–278, 2022, doi: 10.32672/jnkti.v5i2.4193.

J. A. Septian, T. M. Fachrudin, and A. Nugroho, “Analisis Sentimen Pengguna Twitter Terhadap Polemik Persepakbolaan Indonesia Menggunakan Pembobotan TF-IDF dan K-Nearest Neighbor,” J. Intell. Syst. Comput., vol. 1, no. 1, pp. 43–49, 2019, doi: 10.52985/insyst.v1i1.36.

C. H. Yutika, A. Adiwijaya, and S. Al Faraby, “Analisis Sentimen Berbasis Aspek pada Review Female Daily Men15akan TF-IDF dan Naïve Bayes,” J. Media Inform. Budidarma, vol. 5, no. 2, p. 422, 2021, doi: 10.30865/mib.v5i2.2845.

H. Herlambang, J. Suwita, and B. Tiara, “Analisa Dan Perancangan Sistem Pendeteksi Plagiarisme Skripsi Pada Stmik Insan Pembangunan Menggunakan Metode Cosine Similarity,” Insa. Pembang. Sist. Inf. dan Komput., vol. 9, no. 1, 2021, doi: 10.58217/ipsikom.v9i1.188.

M. R. A. Nasution and M. Hayaty, “Perbandingan Akurasi dan Waktu Proses Algoritma K-NN dan SVM dalam Analisis Sentimen Twitter,” J. Inform., vol. 6, no. 2, pp. 226–235, 2019, doi: 10.31311/ji.v6i2.5129.

V. K. S. Que, A. Iriani, and H. D. Purnomo, “Analisis Sentimen Transportasi Online Menggunakan Support Vector Machine Berbasis Particle Swarm Optimization,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 9, no. 2, pp. 162–170, 2020, doi: 10.22146/jnteti.v9i2.102.

Suhardjono, G. Wijaya, and A. Hamid, “PREDIKSI WAKTU KELULUSAN MAHASISWA MENGGUNAKAN SVM BERBASIS PSO,” Bianglala Inform., vol. 7, no. 2, pp. 97–101, 2019.

D. T. Lukmana, S. Subanti, and Y. Susanti, “Analisis Sentimen Terhadap Calon Presiden 2019 Dengan Support Vector Machine Di Twitter,” Semin. Nas. Penelit. Pendidik. Mat. 2019 UMT, no. 2002, pp. 154–160, 2019.

D. Normawati and S. A. Prayogi, “Implementasi Naïve Bayes Classifier Dan Confusion Matrix Pada Analisis Sentimen Berbasis Teks Pada Twitter,” J-SAKTI (Jurnal Sains Komput. dan Inform., vol. 5, no. 2, pp. 697–711, 2021.

R. Chairulloh, A. Bijaksana, and B. A. Wahyudi, “Analisis Name Matching Untuk Nama Arab Menggunakan Metode N-gram Dan Jaccard Similarity,” E-Proceeding Eng., vol. 5, no. 3, p. 7450, 2018.

I. W. Saputro and B. W. Sari, “Uji Performa Algoritma Naïve Bayes untuk Prediksi Masa Studi Mahasiswa,” Creat. Inf. Technol. J., vol. 6, no. 1, p. 1, 2020, doi: 10.24076/citec.2019v6i1.178.

F. Tempola, M. Muhammad, and A. Khairan, “Perbandingan Klasifikasi Antara KNN dan Naive Bayes pada Penentuan Status Gunung Berapi dengan K-Fold Cross Validation,” J. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 5, p. 577, 2018, doi: 10.25126/jtiik.201855983.

R. R. R. Arisandi, B. Warsito, and A. R. Hakim, “Aplikasi Naïve Bayes Classifier (Nbc) Pada Klasifikasi Status Gizi Balita Stunting Dengan Pengujian K-Fold Cross Validation,” J. Gaussian, vol. 11, no. 1, pp. 130–139, 2022, doi: 10.14710/j.gauss.v11i1.33991.

T. Annisa, “Mengenal peran sentiment analysis beserta cara kerjanya,” 2022. https://www.ekrut.com/media/sentiment-analysis-adalah

Warnia Nengsih, M. Mahrus Zein, and Nazifa Hayati, “Coarse-Grained Sentiment Analysis Berbasis Natural Language Processing – Ulasan Hotel,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 10, no. 1, pp. 41–48, 2021, doi: 10.22146/jnteti.v10i1.548.




DOI: https://dx.doi.org/10.36080/bit.v20i2.2493

Refbacks

  • There are currently no refbacks.


Copyright (c) 2023 Bit (Fakultas Teknologi Informasi Universitas Budi Luhur)

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

OFFICE:

FAKULTAS TEKNOLOGI INFORMASI - UNIVERSITAS BUDI LUHUR, Jl. Ciledug Raya, Petukangan Utara, Jakarta Selatan, 12260. DKI Jakarta, Indonesia. Telp: 021-585 3753 Fax: 021-585 3752

Bit (Fakultas Teknologi Informasi Universitas Budi Luhur) by FAKULTAS TEKNOLOGI INFORMASI - UNIVERSITAS BUDI LUHUR is licensed under CC BY-SA 4.0 Creative Commons License

View Bit (Fakultas Teknologi Informasi Universitas Budi Luhur) Satats Web Analytics Made Easy