P a g e | 122 CBIS JOURNAL - VOL.
12 NO.
: MARET
Computer Based Information System Journal ISSN (Prin.
: 2337-8794 | E- ISSN : 2621-5292 web jurnal : http://ejournal.
id/index.
php/cbis ANALISIS SENTIMEN OBJEK WISATA DI GOOGLE MAPS
MENGGUNAKAN METODE DECISION TREE
Tukino1.
Arif Rahman Hakim2 Universitas Putera Batam.
Indonesia Universitas Nagoya Indonesia.
Indonesia
INFORMASI ARTIKEL
A B S T R A C T
Diterima Redaksi: Tanggal Diterbitkan Online: Tanggal Tourism is a popular choice for travelers exploring a city.
Typically, people rely on Google Reviews to assess the quality of tourist spots by checking ratings and reading reviews.
However, discrepancies between reviews and ratings can occur.
In this case study, we focus on Taman Wisata Taman Laut Batam in Batam city.
Using the Decision tree method, we conducted sentiment analysis.
The results revealed more positive sentiments .
than negative sentiments .
The F1-score accuracy was 79.
59%, with a margin of error of A8.
Precision for positive predictions was 71.
00%, while negative predictions had 77.
49% precision.
Recall values were 75.
53% for positive predictions and 62.
09% for negative predictions.
Overall, positive sentiment predictions achieved an F1-score of 87.
07%, while negative predictions scored 74.
KATA KUNCI
Analisis Sentimen.
Google Review.
Decision tree.
RapidMiner KORESPONDENSI E-mail:
tukino@puterabatam.
Arif.
ibn06@gmail.
Latar Belakang Wisata merupakan kegiatan perjalanan yang dilakukan oleh seseorang atau kelompok untuk mengunjungi suatu lokasi dengan tujuan rekreasi, pengembangan pribadi, atau untuk memahami keunikan daya tarik wisata yang dikunjungi dalam jangka waktu tertentu.
Sebaliknya, objek wisata adalah tempat yang menjadi pusat daya tarik dan dapat memberikan kepuasan, terutama bagi para pengunjung.
Tempat wisata ini memiliki berbagai sumber daya, baik yang bersifat alami seperti pegunungan, pantai, flora, dan fauna, maupun yang dibuat oleh manusia seperti bangunan bersejarah, monumen, candi, http://ejournal.
id/index.
php/cbis tarian, atraksi, dan unsur kebudayaan khas Salah satu destinasi wisata yang dapat dijadikan tujuan berlibur di Kota Batam adalah Taman Wisata Taman Laut Batam.
Perpaduan taman bermain dan keindahan Taman Wisata Taman Laut Batam direalisasikan serta diwujudkan melalui konsep Taman Impian Jaya Ancol dengan pengelolaan kawasan pariwisata .
usat rekreasi dan resor.
Sejak resmi berdiri tahun 2009 silam.
Taman Wisata Taman Laut Batam senantiasa ramai kunjungan saat akhir pekan dan libur sekolah.
Taman Wisata Taman Laut Batam berlokasi di Jembatan 2 Barelang, menjadikannya mudah ditemukan dan dapat CBIS JOURNAL - VOL.
12 NO.
: MARET
dilalui dengan kendaraan beroda dua maupun roda empat.
Harga tiket masuk yang ditawarkan oleh Taman Wisata Taman Laut Batam tergolong terjangkau, yaitu senilai Rp.
00,-.
Seiring berjalannya waktu Taman Wisata Taman Laut Batam mulai sepi pengunjung.
Padahal di lihat dari rating di Google Review banyak yang memberikan nilai tinggi.
Setelah dilihat lebih lanjut ternyata banyak yang memberikan komentar tidak sesuai dengan rating seperti pengunjung yang memberikan rating 1 tetapi isi komentarnya positif yaitu memberikan saran agar Taman Wisata Taman Laut Batam menjadi lebih baik.
Hal tersebut membuat orang terkecoh jika hanya melihat dari ratingnya saja.
Oleh karena itu perlu adanya pengelompokan komentar positif dan negatif untuk mengetahui apakah Taman Wisata Taman Laut Batam benerbener recomended.
Berdasarkan permasalahan yang telah dijabarkan maka penulis ingin mengklasifikasikan komentar positif dan komentar negatif dari google review Taman Wisata Taman Laut Batam.
Salah satu metode yang dapat digunakan untuk mengatasi hal tersebut adalah analisis sentimen menggunakan metode decision tree.
Analisis sentimen merupakan suatu proses penerapan analitika teks untuk mengakses berbagai sumber data dari internet dan beragam platform media sosial.
Tujuan utamanya adalah untuk menghimpun pandangan atau opini dari pengguna yang aktif di platform tersebut.
Analisis sentimen berfungsi sebagai alat yang mengintegrasikan seluruh data, memungkinkan perusahaan untuk mendapatkan masukan inti dari (ADMINLP2M 2.
Penggunaan decision tree juga dilakukan oleh Apriani & Gustian .
dengan judul penelitian Analisis Sentimen dengan Metode Decision tree terhadap komentar Aplikasi Tokopedia.
Dalam penelitian ini.
Metode Decision tree terbukti efektif untuk menganalisis sentimen secara otomatis.
Uji coba dilakukan dengan menggunakan data testing secara realhttp://ejournal.
id/index.
php/cbis P a g e | 123 time menggunakan aplikasi yang mereka bangun dan RapidMiner, di mana setiap kata diklasifikasikan dengan sentimen positif atau Hasil RapidMiner terhadap 1.
500 data testing menunjukkan nilai akurasi sebesar 97,13%, dengan nilai precision 1, sementara pada Class Recall dihasilkan nilai sebesar 95,49% .
ositive class: negativ.
Nilai AUC yang dihasilkan mencapai 0,980.
Menariknya, data komentar yang mendapat sentimen negatif mencapai 63,53%, sementara sentimen positif hanya mencapai 36,47%.
Hal ini menunjukkan perbandingan yang berbeda dengan jumlah rating yang diberikan kepada Aplikasi Tokopedia.
Peneliti juga melakukan analisis terhadap jumlah kata-kata yang sering muncul dalam dokumen data komentar kategori negatif.
Ditemukan bahwa kata 'Tokopedia' muncul paling banyak, yaitu sebanyak 580 kali dalam 294 komentar/dokumen, diikuti oleh kata 'barang' yang muncul sebanyak 408 kali dalam 211 komentar/dokumen.
Temuan mengindikasikan bahwa banyak komentar negatif terkait dengan brand atau nama Tokopedia itu sendiri, disusul oleh masalah kondisi barang yang tidak sesuai saat diterima, barang rusak saat diterima, atau barang yang dikirim tidak sesuai dengan pesanan.
Terkait dengan komentar negatif terhadap aplikasi, kata 'aplikasi' muncul sebanyak 254 kali dalam 153 II.
Kajian Literatur Analisis sentimen merupakan suatu proses yang bertujuan untuk menentukan sentimen dan mengelompokkan polaritas teks dalam dokumen atau kalimat, sehingga dapat dikategorikan sebagai sentimen positif, negatif, atau netral.
Saat ini, para peneliti secara luas menggunakan analisis sentimen sebagai salah satu cabang penelitian dalam ilmu komputer.
Jejaring sosial, seperti Twitter, sering digunakan dalam analisis sentimen untuk menilai persepsi publik.
Analisis sentimen juga sering disebut sebagai opinion mining, karena fokusnya pada pendapat yang P a g e | 124 CBIS JOURNAL - VOL.
12 NO.
: MARET
dinyatakan sebagai positif atau negatif.
Dalam analisis sentimen, penambangan data dilakukan mengekstrak data tekstual dalam suatu entitas, seperti layanan, produk, individu, fenomena, atau topik tertentu.
Proses analisis dapat mencakup teks ulasan, forum, tweet, atau blog.
Tahap preprocessing data melibatkan serangkaian langkah, termasuk tokenization, penghapusan stopword, stemming, dan identifikasi serta klasifikasi sentimen.
Langkah-langkah ini membantu menyederhanakan dan mengorganisir data teks sehingga dapat diinterpretasikan dengan lebih baik untuk mendapatkan wawasan mengenai sentimen yang terkandung dalam teks (Samsir et al.
Dalam ilmu data mining, istilah text mining atau text analytics merujuk pada teknologi yang memiliki kemampuan untuk menganalisis data teks, baik yang bersifat semi-terstruktur maupun tidak terstruktur.
Hal ini membedakannya dari data mining yang lebih berfokus pada pengolahan data yang lebih terstruktur.
Text mining bertujuan untuk mengatasi masalah overload informasi dengan memanfaatkan metode data mining.
Machine Learning.
Natural Language Processing (NLP).
Information Retrieval (IR), dan Knowledge Management.
Proses Text Mining mencakup beberapa tahap, termasuk preprocessing koleksi dokumen, seperti kategorisasi teks, ekstraksi informasi, dan ekstraksi istilah.
Selain itu, melibatkan penyimpanan representasi menengah dan metode untuk menganalisis representasi tersebut, seperti analisis distribusi, pengelompokan, analisis tren, dan peraturan asosiasi.
Hasil dari analisis tersebut kemudian dapat divisualisasikan.
Pentingnya persiapan teks sebelum proses utama ditekankan, dan proses ini disebut sebagai text Tujuan dari text preprocessing adalah mengubah data teks yang awalnya tidak terstruktur atau sembarang menjadi data yang terstruktur, memfasilitasi proses analisis yang lebih efektif.
Klasifikasi adalah suatu melibatkan penilaian objek http://ejournal.
id/index.
php/cbis tugas yang data untuk menentukan kelas tertentu di antara sejumlah kelas yang tersedia.
Dalam konteks klasifikasi, terdapat dua tahap utama yang dilakukan.
Pertama, adalah pembangunan model sebagai prototipe yang disimpan sebagai memori.
Kedua, adalah penggunaan model tersebut untuk melakukan pengenalan, klasifikasi, atau prediksi pada objek data lain, sehingga dapat diketahui kelas mana objek data tersebut termasuk dalam model yang mudah disimpan.
Contoh aplikasi mengklasifikasikan jenis hewan berdasarkan sejumlah atribut tertentu.
Model dalam klasifikasi memiliki makna di mana suatu model memproses masukan tersebut dan memberikan keluaran sebagai hasil dari pemikirannya.
Setiap algoritma klasifikasi memiliki kelebihan dan kekurangan masing-masing.
Meskipun demikian, prinsip dasar yang digunakan oleh semua algoritma klasifikasi tetap sama, yaitu melibatkan tahap pelatihan di mana model dapat memetakan setiap vektor masukan ke label kelas keluaran dengan akurasi tinggi atau laju error yang rendah.
Meskipun model yang dibangun umumnya dapat memprediksi dengan benar pada semua data latihnya, kinerja sebenarnya dari suatu model klasifikasi baru diukur ketika dihadapkan dengan data uji.
Itulah momen di mana efektivitas suatu algoritma klasifikasi (Ariyanti & Iswardani, 2.
Menurut Fikri et al.
, .
Algoritma Decision tree adalah salah satu algoritma yang umum digunakan dalam teknik klasifikasi.
Algoritma ini mendasarkan pendekatannya pada model probabilistik dan statistik yang disederhanakan, dengan mengacu pada Teorema Bayes.
Keunikan Decision tree terletak pada asumsi yang disebut sebagai sederhana, yaitu asumsi bahwa setiap atribut bersifat independen satu sama lain dalam konteks kelas tertentu.
Dengan kata lain, algoritma Decision tree ketiadaan suatu fitur atau atribut dari suatu kelas keberadaan atau ketiadaan fitur atau atribut lainnya dari kelas yang sama.
Meskipun asumsi ini sering kali tidak sepenuhnya terpenuhi dalam CBIS JOURNAL - VOL.
12 NO.
: MARET
dunia nyata, keunggulan algoritma Decision tree terletak pada kemampuannya untuk memberikan hasil yang baik dengan data yang cukup besar dan dalam waktu komputasi yang relatif cepat.
Algoritma ini sering digunakan dalam aplikasi klasifikasi teks, pengenalan spam email, analisis sentimen, dan banyak lagi.
Kelebihannya yang mencolok terletak pada kinerjanya yang baik bahkan dengan jumlah fitur yang besar, meskipun asumsi independensi yang sederhana.
Berikut persamaan dari teorema Bayes :
ycU : Data dengan class yang belum diketahui ya : Hipotesis data ycU merupakan suatu kelas ycE.
ycU) : Probabilitas hipotesis ya berdasarkan kondisi ycU .
osterior probabilit.
: Probabilitas hipotesis ya .
rior probabilit.
: Probabilitas X berdasarkan kondisi pada hipotesis ya .
cU) : Probabilitas ycU .
redictor prior probabilit.
Menurut Novianti .
RapidMiner adalah sebuah alat atau tools yang digunakan dalam berbagai teknik di lingkungan machine learning, data mining, text mining, dan predictive RapidMiner merupakan perangkat lunak atau software yang dirancang untuk pengolahan data.
Dengan memanfaatkan prinsip dan algoritma data mining.
RapidMiner mampu mengekstrak pola-pola dari dataset yang besar dengan menggabungkan metode statistika, kecerdasan buatan, dan basis data.
RapidMiner memberikan kemudahan bagi penggunanya dalam melakukan perhitungan data yang sangat besar dengan menggunakan operator-operator.
Operator tersebut berfungsi untuk memodifikasi Proses ini melibatkan penghubungan data dengan node-node pada operator, dan pengguna hanya perlu menghubungkannya ke node hasil http://ejournal.
id/index.
php/cbis P a g e | 125 untuk melihat outputnya.
Hasil yang dihasilkan oleh RapidMiner dapat ditampilkan secara visual melalui grafik, menjadikannya salah satu pilihan perangkat lunak yang populer untuk ekstraksi data dengan metode-metode data mining.
Brilian Rahmat C.
Google Review merupakan fitur ulasan yang terintegrasi pada layanan Google My Business (GMB) dan Google Maps.
Fitur ini memungkinkan pelanggan untuk memberikan ulasan publik mengenai pengalaman mereka pada suatu bisnis, baik terkait layanan maupun Google Review juga berperan dalam menampilkan tanggapan pelanggan terhadap berbagai detail layanan yang ditawarkan oleh suatu bisnis.
Dalam konteks pencarian lokal, ulasan-ulasan ini dapat tampil dalam hasil pencarian di Google Maps, seringkali disebut sebagai "local 3 pack," di mana Google menampilkan tiga bisnis teratas dalam hasil Bisnis dengan ulasan yang baik akan lebih terlihat dan diberi simbol bintang oleh Google.
Pentingnya ulasan ini juga terlihat dalam hal penilaian, di mana biasanya sebuah bisnis perlu memiliki setidaknya lima ulasan baik agar mendapatkan penilaian bintang yang akan ditampilkan di halaman ulasan mereka.
Informasi ini juga dapat muncul di daftar GMB, panel Google Knowledge, dan Google Maps, memberikan gambaran keseluruhan mengenai reputasi dan kualitas suatu bisnis.
Adapun kerangka pemikiran penelitian ini adalah sebagai berikut:
Gambar 1.
Kerangka Pemikiran P a g e | 126 CBIS JOURNAL - VOL.
12 NO.
: MARET
Penjelasan untuk masing-masing tahapan adalah sebagai berikut:
membantu penulis pada saat proses penelitian, desain penelitian ini juga dapat berperan sebagai pedoman bagi penulis.
Referesni pada penelitian ini dilakukan dengan cara membaca jurnal, buku, dan dokumen terkait untuk melalukan analisis sentimen menggunakan metode decision tree.
Observasi objek pada penelitian ini dilakukan dengan cara observasi di Taman Wisata Taman Laut Batam untuk mengetahui analisis sentimen terhadap Google Review para Data yang digunakan dalam penelitian ini berdasarkan refernsi, observasi objek, dan jurnal penelitian.
Data tersebut adalah review google dari pengunjung Taman Wisata Taman Laut Batam dari januari tahun 2020 hingga september 2023.
Jurnal penelitian nantinya akan dijadikan dasar untuk menghasilkan analisis.
Jurnal yang digunakan adalah 5 tahun terakhir untuk menjaga penelitian tetap relevan.
Analisis yang dilakukan pada penelitian ini yaitu analisis sentiment Taman Wisata Taman Laut Batam berdasarkan Google Review menggunakan metode Decision tree.
Penarikan kesimpulan pada penelitian ini didapatkan dari hasil analisis.
Kesimpulan disini merupakan jawaban dari rumusan masalah dan menjelaskan hasil penelitian secara keseluruhan.
Hasil pada penelitian ini berupa klasifikasi berupa komentar positif dan negatif.
Positif merupakan ulasan yang bersifat membangun atau patut dipertahankan sedangkan negatif merupakan ulasan yang bersifat kritik dan harus dibenahi.
Metodologi Pada penelitian ini akan diuraikan design penelitian.
Pada desain penelitian, penulis memaparkan hasil dari yang telah dibuat dengan cara terstruktur agar dapat diambil sebagai acuan dalam melakukan penelitian dan dapat http://ejournal.
id/index.
php/cbis Gambar 2.
Design Penelitian Adapun design penelitian yang dapat dijabarkan pada penelitian ini dijelaskan sebagai berikut:
Pengumpulan Data Data ini diambil dari Goole Review pada tempat wisata Taman Wisata Taman Laut Batam.
Preprocesing Pada Penelitian ini tahan preprocesing dilakukan mulai dari tokenizing, filtering, stemming, tagging, analyzing, dan cleaning.
Split Data Split data terbagi menjadi dua, yaitu:
Data uji Data Latih Decision tree Proses klasifikasi data menggunakan tools RapidMainer yang diambil dari data komentar pada Google Review.
Proses Data Latih CBIS JOURNAL - VOL.
12 NO.
: MARET
Proses data latih yaitu proses data dengan memberikan data label sentiment berdasarkan data uji.
Hasil Klasifikasi dan Akurasi Hasil penelitian yang telah diuji melalui klasifikasi teknik teks mining dengan metode Decision tree Serta diuji menggunakan RapidMiner, menunjukkan hasil komentar positif dan Adapun model penelitian.
Pada penelitian ini model yang digunakan bisa diliat dari Flowchart dibawah ini:
Gambar 2.
Model Penelitian Berdasarkan flowchart diatas dapat dijelaskan bahwa penelitian ini dimulai dari pengumpulan data, setelah data terkumpul maka data akan di proses pada tahapan preprocesing.
Selanjutnya data akan dibagi menjadi data uji dan data latih untuk dilakukan proses klasifikasi menggunakan metode decision tree.
Impementasi metode tersebut digunakan untuk memberikan label pada data training.
Setelah proses berhasil dilakukan maka sistem akan menghasilkan hasil klasifikasi dan hasil akurasi.
http://ejournal.
id/index.
php/cbis P a g e | 127 IV.
Pembahasan Data diambil dari Google Review Taman Wisata Taman Laut Batam yaitu data komentar pengunjung dengan menggunakan crowling data.
Crowling data menggunakan data scraper chrome extantion instant data scraper.
hasil dari data scraper disebut dengan data set.
Data set adalah kumpulan data yang diperoleh melalui proses crawling data.
Data set kemudian akan mengalami modifikasi melalui tahap text preprocessing.
Tujuan dari tahap ini adalah untuk meningkatkan kemampuan sistem komputer dalam mengenali struktur data set, sekaligus merapihkan data yang semula tidak terstruktur menjadi data yang terstruktur dengan Text preprocessing melibatkan beberapa proses, di antaranya adalah cleaning dan proses dokumen dari data.
Dalam proses dokumen dari data, terdapat tiga tahapan utama, yaitu:
Tokenization: Proses pembagian teks atau kalimat menjadi unit-unit yang lebih kecil atau kata perkata, disebut dengan token.
Token bisa berupa kata, frasa, atau karakter tergantung pada kebutuhan analisis.
Transformasi Kasus (Transform Case.
Proses ini mengubah huruf dalam teks menjadi format tertentu, seperti mengubah huruf menjadi huruf kecil atau huruf besar agar konsisten dalam analisis.
Melalui serangkaian tahapan text preprocessing ini, data set dapat diubah menjadi format yang lebih mudah diinterpretasikan oleh sistem komputer, memungkinkan analisis data yang lebih akurat dan efisien.
Kemudian tahap cleaning.
pada proses cleaning menghapus atribut yang tidak dibutuhkan dan tidak memiliki makna, seperti hastag, mention, retweet, whitespace, simbol dll.
Berikut adalah gambar contoh cleaning pada data Replace adalah operator yang fungsinya untuk menghapus simbol yang tidak diperlukan.
Kata kunci dari replace yang digunakan yaitu [!?,.
':"#*@%$&()?
oC:') y
A?AA????^?^
Replace Missing Values adalah operator yang fungsinya mengganti nilai yang hilang dalam contoh atribut yang dipilih dengan mengganti yang ditentukan.
P a g e | 128 CBIS JOURNAL - VOL.
12 NO.
: MARET
Remove duplicates adalah operator yang fungsinya untuk menghapus kalimat yang sama dengan membandingkan satu sama lain berdasarkan atribut yang ditentukan.
Sebelum Cleaning Sesudah Cleaning Tidak bisa berkatakata, semuanya buruk.
Ada biaya masuknya.
Tidak semuanya buruk Ada Lokasinya Bagus.
Lokasinya Bagus Sangat A Sangat Toilet yang dekat pantai sana, tidak ada lampu, tidak ada air, toiletnya kotor banget.
Toilet yang dekat pantai sana tidak ada lampu tidak ada air toiletnya kotor banget situasi pasca covid:
wahana dan warung makan hanya buka pada siang hari.
pada malam hari, kawasan ini terasa seperti taman hiburan waktu terbaik adalah berkunjung pada tengah Ada biaya masuk sebesar Rp 25.
000 per A situasi pasca covid wahana dan warung makan hanya buka pada siang hari pada malam hari kawasan ini terasa seperti taman hiburan yang terbengkalai waktu tengah hari ada biaya masuk sebesar Rp Taman Wisata Taman Laut Batam akhir akhir ini sepi tapi tidak dan keindahan yang di Artinya wisata Taman Wisata Taman Laut Batam The A Taman Wisata Taman Laut Batam akhir akhir ini sepi tapi keindahan yang di Artinya wisata Taman Wisata Taman Laut Batam The best Asek bener.
seharian di Taman Wisata Taman Laut Batam.
Asek bener seharian di Taman Wisata Taman Laut Batam http://ejournal.
id/index.
php/cbis Sebelum Cleaning Sesudah Cleaning Anak2 maen gembira.
Anak maen gembira Sarana tempat rekreasi keluarga yg ada di sadai/batam permainan yg tersedia dan fasilitas taman utk bermain dan santai bersama keluarga yg luas dengan view laut.
Utk tiket memang mahal 25k/orang.
Sarana rekreasi keluarga yg bengkong sadaibatam centre dengan aneka permainan yg tersedia dan fasilitas taman utk bermain dan keluarga yg luas dengan view laut Utk tiket memang mahal Table 1.
Hasil Cleaning Setelah proses cleaning, tahap selanjutnya yaitu proses documents from data.
Selanjutnya proses tokenize atau tokenisasi adalah proses memecahkan kalimat menjadi potongan kata atau token untuk mengetahui asal munculnya kata.
Transform case merupakan proses pemerataan huruf dari huruf kapital menjadi huruf kecil atau Pada penelitian ini data set diubah menjadi huruf kecil semua karena tweet yang sudah diambil sebagian besar menggunakan huruf kecil.
Berdasarkan hasil crowling sebelumnya jumlah data yang akan digunakan yaitu 458 data Data latih yaitu data yang sudah melalui preprocessing kemudian melakukan pelabelan secara manual dan automatis.
Pelabelan secara manual dilakukan pada sebagian komentar.
Sedangkan pelabelan automatis mengacu pada dictionary opini positif dan negatif yang disebut data uji.
Pada penelitian ini data set dibagi dua bagian yaitu data uji dan data latih dengan rasio test dan train yaitu 20% data latih dan 80% data uji.
Maka Nilai akurasi yang di dapat algoritma decision tree adalah artinya sejumlah 79.
decision tree dapat diklasifikasikan data yang Margin eror artinya jumlah kesalahan dalam pengembilan sampel sebeser -8.
terdapat 200 sentimen positif dan 141 sentimen Presisi merupakan perbandiangan P a g e | 129 CBIS JOURNAL - VOL.
12 NO.
: MARET
antara hasil prediksi dengan data yang diminta yaitu dengan sejumlah 71.
00% pada prediksi positif dan 77.
49% pada prediksi negatif.
Nilai Recall menggambarkan keberhasilan model dalam menemukan kembali informasi dengan perbandingan antara rasio prediksi benar positif dan keseluruhan data prediksi positif.
Didapat hasil pada data prediksi positif 75.
53% dan pada data negatif 62.
F1-score merupakan perbandingan rata rata antara presisi dan Recall.
Didapatkan hasil dari f1-score yaitu 87.
07% pada prediksi positif dan pada prediksi negatif diimplementasikan menggunakan metode decision tree yaitu nilai akurasi yang di dapat algoritma decision tree adalah 79.
Margin eror sebesar -8.
78% terdapat 200 sentimen positif dan 141 sentimen nagatif.
Presisi sejumlah 71.
00% pada prediksi positif dan 77.
49% pada prediksi negatif.
Nilai Recall didapat hasil pada data prediksi 53% dan pada data negatif 62.
Hasil dari f1-score yaitu 87.
07% pada prediksi positif dan pada prediksi negatif
Daftar Pustaka