Pengembangan Sistem Analisis Sentimen Warung Makan Metode Naïve Bayes Berdasarkan Ulasan Google Maps
Abstract
Decision makers can improve what they have to do by finding important patterns or information in the datamining process or this large database. No exception in the culinary industry, people can choose to visit the place or cannot see their reviews on websites like Google Maps. Sentiment analysis related to user comments related to Pak To food stalls. The Naive Bayes algorithm was chosen for sentiment analysis because of its simplicity and its computing efficiency. Based on the results of testing this web -based sentiment analysis application shows that the use of the Naive Bayes algorithm in text classification can be done effectively and efficiently. With an accuracy model of 85%, the average macro precision is 84%, and the average macro recall is 83%, this application shows good performance in analyzing text sentiment. With further development, this application can be used in various domains such as social media analysis, customer surveys, and more. Black box testing has been carried out and the system can run according to plan.
Keywords: Data Mining; Clasificattion; Naïve Bayes; Google Maps Review.
Abstrak
Pengambil keputusan dapat memperbaiki apa yang harus mereka lakukan dengan menemukan pola atau informasi penting dalam proses datamining atau database besar ini. Tak terkecuali dalam industri kuliner, orang -orang dapat memilih untuk mengunjungi tempat tersebut atau tidak dapat melihat ulasannya di situs web seperti Google Maps. analisis sentimen yang berkaitan dengan komentar-komentar pengguna yang terkait dengan Warung Makan Pak To. Algoritma Naive Bayes dipilih untuk analisis sentimen karena kesederhanaannya dan efisiensi komputasinya. Berdasarkan hasil pengujian Aplikasi analisis sentimen berbasis web ini menunjukkan bahwa penggunaan algoritma Naive Bayes dalam klasifikasi teks dapat dilakukan dengan efektif dan efisien. Dengan accuracy model sebesar 85%, rata-rata makro precision 84%, dan rata-rata makro recall 83%, aplikasi ini menunjukkan kinerja yang baik dalam menganalisis sentimen teks. Dengan pengembangan lebih lanjut, aplikasi ini dapat digunakan dalam berbagai domain seperti analisis media sosial, survei pelanggan, dan banyak lagi. Pengujian black box telah dilakukan dan sistem dapat berjalan sesuai perencanaan.
Keywords
References
J. Ipmawati, S. Saifulloh, and K. Kusnawi, “Analisis Sentimen Tempat Wisata Berdasarkan Ulasan pada Google Maps Menggunakan Algoritma Support Vector Machine,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. 1, pp. 247–256, Jan. 2024, doi: 10.57152/malcom.v4i1.1066.
S. Widodo and B. Hartono, “Analisis Sentimen Pengguna Google Terhadap Destinasi Wisata Di Kota Semarang Menggunakan Metode K-Nearest Neighbor,” Progresif J. Ilm. Komput., vol. 19, no. 2, pp. 545–554, 2023.
M. P. Y. Pradipta, “Potensi Wisata Kuliner Kota Surakarta,” J. Pariwisata Indones., vol. 17, no. 1, pp. 37–47, 2021.
G. Shalihah, R. Kurniawan, and T. Suprapti, “Analisis Sentimen Ulasan Pelanggan Mie Gacoan Menggunakan Metode Naïve Bayes Classifier,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 1, pp. 593–601, 2024, doi: 10.36040/jati.v8i1.8302.
D. F. Salsabillah, D. E. Ratnawati, and N. Y. Setiawan, “Analisis Sentimen Ulasan Rumah Makan Menggunakan Perbandingan Algoritma Support Vector Machine dengan Naive bayes (Studi Kasus: Ayam Goreng Nelongso Cabang Singosari, Malang),” J. Teknol. Inf. dan Ilmu Komput., vol. 11, no. 1, pp. 107–116, 2024, doi: 10.25126/jtiik.20241117584.
R. Sari, “Analisis Sentimen Review Restoran menggunakan Algoritma Naive Bayes berbasis Particle Swarm Optimization,” J. Inform., vol. 6, no. 1, pp. 23–28, 2019, doi: 10.31311/ji.v6i1.4695.
A. A. Asyer and M. Pakereng, “Analisis Sentimen Tweet Pengguna Twitter Terkait Diabetes Menggunakan Metode Naive Bayes,” Jutisi : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi, [S.l.], v. 12, n. 2, p. 627-636, aug. 2023. ISSN 2685-0893.
S. Kusumo, “Penerapan Web Scraping Deskripsi Produk Menggunakan Selenium Python Dan Framework Laravel,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 9, no. 4, pp. 3426–3435, 2022, doi: 10.35957/jatisi.v9i4.2727.
F. Alghifari and D. Juardi, “Penerapan Data Mining Pada Penjualan Makanan Dan Minuman Menggunakan Metode Algoritma Naïve Bayes,” J. Ilm. Inform., vol. 9, no. 02, pp. 75–81, 2021, doi: 10.33884/jif.v9i02.3755.
M. Ichwan, I. A. Dewi, and Z. M. S, “Klasifikasi Support Vector Machine (SVM) Untuk Menentukan TingkatKemanisan Mangga Berdasarkan Fitur Warna,” MIND J., vol. 3, no. 2, pp. 16–23, 2019, doi: 10.26760/mindjournal.v3i2.16-23.
Rianto, A. B. Mutiara, E. P. Wibowo, and P. I. Santosa, “Improving the accuracy of text classification using stemming method, a case of non-formal Indonesian conversation,” J. Big Data, vol. 8, no. 1, pp. 1–16, 2021, doi: 10.1186/s40537-021-00413-1.
P. Djodi, “Implementasi Algoritma Text Mining TF-IDF Untuk Fitur Autoresponder,” Inf. dan Teknol. Ilm., vol. 10, no. 1, pp. 31–38, 2022.
D. Tuhenay and E. Mailoa, “Perbandingan Klasifikasi Bahasa Menggunakan Metode Naïve Bayes Classifier ( Nbc ) Dan Support Vector Machine ( Svm ) Comparison of Language Classification Using Naive Bayes Classifier ( Nbc ) and Support Vector Machine ( Svm ) Method,” JIKO (Jurnal Inform. dan Komputer), vol. 4, no. 2, pp. 105–111, 2021, doi: 10.33387/jiko.
G. G. Warow and H. Pandia, “Analisis Sentimen Aplikasi Dana Menggunakan Naïve Bayes Classifier dan Support Vector Machine,” J. Ilm. Tek. Inform. dan Sist. Inf., vol. 13, no. 1, pp. 14-23, 2024.
D. Debiyanti, S. Sutrisna, B. Budrio, A. K. Kamal, and Y. Yulianti, “Pengujian Black Box pada Perangkat Lunak Sistem Penilaian Mahasiswa Menggunakan Teknik Boundary Value Analysis,” J. Inform. Univ. Pamulang, vol. 5, no. 2, pp. 162-171, 2020, doi: 10.32493/informatika.v5i2.5446.
How To Cite This :
Refbacks
- There are currently no refbacks.
