Analisis sentimen terhadap aplikasi Bukalapak sebelum dan sesudah IPO menggunakan algoritma Nayve Bayes Bayu YanuargiO1 Program Magister Teknik Informatika Program Pascasarjana Universitas Amikom Yogyakarta Jl.
Padjajaran.
Ring Road Utara.
Kel.
Condongcatur.
Kec.
Depok.
Kab.
Sleman.
Prop.
Daerah Istimewa Yogyakarta yanuargi@students.
Abstrak Bukalapak adalah salah satu startup eCommerce paling awal yang berdiri di Indonesia.
Bukalapak sudah menjembatani antara penjual dengan pembeli sejak 2010.
Pada tahun 2021 Bukalapak memberanikan diri untuk melakukan initial public offers (IPO) di Bursa Efek Indonesia.
Banyak ragam tanggapan dari pengguna Bukalapak terhadap langkah Bukalapak tersebut, baik positif maupun negatif.
Sentimen negatif atau positif tersebut dapat menjadi masukan dan evaluasi bagi Bukalapak sendiri untuk mejaga loyalitas penggunanya.
Proses penelitian ini dimulai dari pengumpulan data yang diperoleh dari scrapping data review produk Bukalapak di Google Playstore sebelum dan sesudah IPO.
Kemudian dilakukan preprosesing data mulai dari casefolding, penghilangan stop words, tokenisasi, stemming hingga TF-IDF.
Hasil dari preprosesing tersebut kemudian dijadikan data untuk melakukan klasifikasi menggunakan Nayve Bayes.
Klasifikasi tersebut kemudian diuji dan mendapatkan nilai akurasi untuk data sebelum IPO sebesar 77% dan data setelah IPO sebesar 76%.
Kata Kunci analisis sentimen, bukalapak, naive Bayes, tf-idf, confussion matrix Digital Object Identifier 10.
36802/jnanaloka.
v3-no1-17-25 Pendahuluan Bukalapak merupakan salah satu startup yang bergerak di bidang e-Commerce sejak 2010, dan pada tahun 2021 Bukalapak sebagai salah satu Unicorn e-Commerce melakukan initial public offers (IPO).
Dengan diluncurkannya BUKA ke ranah publik pada akhir Juli 2021, maka Bukalapak haruslah mampu meningkatkan pelayanan dan peka terhadap suara konsumen.
Dinamika harga saham .
aik / turu.
selain ditentukan oleh kinerja perusahaan, maka suara konsumen juga akan menjadi salah satu faktor penentu dalam naik / turunnya nilai saham.
Sebagai salah satu unicorn dengan jumlah pengguna sebesar 104 juta per Desember 2020 .
maka menjaga kesetiaan pelanggan adalah hal yang sangat penting.
Salah satu proses untuk menjaga kesetiaan pelanggan adalah dengan mengidentifikasi permasalahan yang dihadapi oleh pengguna.
Salah satu kanal dalam mengidentifikasi permasalahan pengguna adalah berdasarkan umpan balik yang diberikan pengguna di Playstore.
Umpan balik atau komentar yang diberikan pengguna di kanal Playstore sangat penting untuk dikelola.
Hal tersebut disebabkan karena komentar di Playstore dapat mempengaruhi citra Bukalapak bagi pengguna baru maupun lama.
Untuk itu segala permasalahan yang O Corresponding author.
A Yanuargi.
licensed under Creative Commons License CC-BY Jurnal Open Access Yayasan Lentera Dua Indonesia Analisis sentimen terhadap aplikasi Bukalapak ditulis di kolom komentar aplikasi Bukalapak harus bisa diserap untuk ditindak lanjuti.
Tetapi dengan jumlah pengguna yang sedemikian besar dan jumlah komentar yang besar pula, maka proses pengelolaan tentu saja tidak bisa dilakukan dengan cara manual, karena hal tersebut tidak saja tidak produktif, tetapi informasi yang dihasilkan juga tidak akurat.
Salah satu metode yang dapat digunakan untuk melakukan analisis tersebut di atas adalah dengan menggunakan analisis sentimen atau biasa disebut opinion mining.
Analisis sentimen ialah proses mengekstraksi,mengolah dan memahami data berupa teks yang tidak terstruktur secara otomatis guna mengambil informasi sentimen yang terdapat pada sebuah kalimat pendapat atau opini .
Sedangkan menurut .
, analisis sentimen pada review adalah proses menyelidiki review produk di internet untuk menentukan opini atau perasaan terhadap suatu produk secara keseluruhan.
Untuk melakukan analisis sentimen analisis, salah satu metode dalam machine learning yang sering digunakan adalah Nayve Bayes, dimana menurut .
, pengklasifikasi Nayve Bayes biasanya digunakan dalam kategorisasi teks.
Ide dasarnya adalah menggunakan probabilitas gabungan kata dan kategori untuk memperkirakan probabilitas kategori yang diberikan Dalam penelitiannya, terlepas dari asumsi independensi yang tidak realistis, pengklasifikasi Nayve Bayes secara mengejutkan mencapai kinerja yang sebanding, atau lebih baik daripada SVM.
Interaksi antara metode klasifikasi dan opsi penyajian fitur diamati, dan frekuensi bigram terbukti merupakan fitur yang efektif dalam menangkap sentimen dalam teks Kanton.
Selain itu, kami melihat efek ukuran set fitur pada kinerja klasifikasi.
Saat ukuran fitur meningkat, akurasi kedua pengklasifikasi mencapai puncaknya dan kemudian menurun karena overfitting, dengan pengklasifikasi SVM .
upport vector machin.
kurang sensitif terhadap jumlah fitur .
Beberapa penelitian menunjukan bahwa Nayve Bayes memiliki hasil yang cukup bagus, seperti pada penelitian oleh .
dengan score akurasi yang cukup tinggi sebesar 0.
Pada penelitian lainnya yang dilakukan oleh .
membuktikan bahwa Nayve Bayes nilai akurasi sebesar 98.
Kedua penelitian tersebut akan diterangkan lebih lanjut pada bagian metodologi.
Berdasarkan pada nilai akurasi yang tinggi tersebut, maka pada penelitian ini metode klasifikasi yang digunakan adalah Nayve Bayes dengan harapan agar bisa menghasilkan hasil yang optimal.
Penggunaan metode pengklasifikasian teks Nayves Bayes, diharapkan dalam penelitian ini akan menghasilkan kata-kata yang diklasifikasikan sebagai sentiment negative sebagai masukkan untuk pengembangan produk Bukalapak menjadi lebih baik.
Karena dengan berhasilnya identifikasi permasalahan dalam review produk akan dapat meningkatkan kepuasan pengguna, dimana pengguna akan merasakan bahwa masukkan mereka telah ditindaklanjuti oleh Bukalapak.
Dalam tulisan ini akan dilakukan analisis sentimen sebelum dan sesuah Bukalapak meluncurkan IPO, dengan tujuan untuk melihat bagaimana response konsumen setelah peluncuran IPO tersebut terhadap produk Bukalapak.
Banyak penelitian telah dilakukan terkait sentimen analisis dengan menggunakan Nayves Bayes, seperti .
yang melakukan analisis sentimen untuk proses pemesanan tiket dari com dengan menggunakan Nayves Bayes.
Data Latih yang digunakan adalah data yang berhasil discrape dari website pegipegi.
com dengan jumlah kalimat positif 500 dan kalimat negatif sebanyak 500.
Pada penelitian tersebut dilakukan preprosesing teks hingga TF-IDF hingga perolehan information gain sebagai target utama dalam preprocessing teks.
Klasifikasi Nayves Bayes dilakukan dengan menghitung nilai probabilitas dari data testing yang kemudian dikategorikan ke dalam dua kelas yaitu positif dan negatif, maskapai dengan jumlah kalimat positif terbanyak disimpulkan merupakan Maskapai terbaik.
Hasil observasi metode Nayves Bayes setelah dan sebelum ditambahkan information gain, diperoleh bahwa nilai akurasi terbaik adalah setelah ditambahkan information gain dengan nilai akurasi Yanuargi.
865, sedangkan F1-score memiliki nilai lebih tinggi setelah penambahan information gain yaitu sebesar 0,864.
Sedangkan secara performance kecepatan, information gain memberikan efisiesi yang cukup tinggi dengan pengolahan 1000 data hanya membutuhkan waktu 93.
Penelitian .
melakukan analisis sentimen menggunakan algoritma support vector machine (SVM), dimana dalam penelitian tersebut dilakukan analisis sentimen pada data tweet terkait rencana pemindahan ibu kota negara.
Dengan menggunakan SVM klasifikasi dilakukan pada data tweet menjadi positif dan negatif,dimana tujuan akhirnya adalah untuk mendapatkan bagaimana kecenderungan sentimen publik pada wacana pemindahan ibukota.
Metode pengumpulan data pada penelitian tersebut adalah dengan melakukan crawling data twitter dengan menggunakan metode crawling URL.
Dengan menggunakan dataset sebanyak 1236 tweet dilakukan pelabelan dengan menggunakan dua orang anotator, dimana anotator pertama melakukan klasifikasi positif dan negatif, sedangkan anotator kedua melakukan pengujian terhadap hasil klasifikasi anotator pertama.
Hasil pelabelan diketahui bahwa sentimen positif sebanyak 404 dan negatif sebanyak 832.
Hasil dari pelabelan tersebut kemudian dilakukan pengujian dengan menggunakan SVM dengan menghasilkan confusion matrix dengan akurasi=96,68%, precision=95.
82%, recall=94.
04% dan AUC = 0,979.
Penelitian sentimen analisis multi aspek menggunakan data ikon emosi dan review yang diberikan oleh pengguna Tripadvisor dengan dta dikumpulkan menggunkan teknik scraping rapidminer melalui interaksi dengan API .
Penelitian tersebut menggunakan algoritma Nayve Bayes dikombinasikan dengan metode pelabelan multi aspek yang disertai konversi ikon emosi menjadi teks ulasan.
Setelah data melalui tahap text preprocessing, maka didapatkan ribuan kata yang sudah siap untuk diproses ke tahap selanjutnya yaitu multi-aspect sentence Proses ini akan melalui beberapa tahap yaitu klastering .
, dan mengidentifikasi dokumen awal untuk setiap kelas.
Dalam penelitian ini dihasilkan tiga jenis probabilitas, yaitu pertama probabilitas bersyarat .
dokumen dan menghasilkan 029206, negatif 0, netral 449.
Kedua adalah Probabilitas Prior dengan hasil kelas positif 0.
33, kelas negatif 0.
33 dan kelas netral 0.
Probabilitas ketiga adalah probabilitas Posterior dengan hasil kelas positif 0.
697737, negatif 0 dan netral 16.
Berdasarkan probablitas ketiga, diketahui bahwa kelas yang tertinggi adalah kelas Netral, karena memiliki nilai yang terbesar.
Pengujian yang dilakukan menggunakan model 10fold cross validation dimana hasil analisis sentimen yang dilakukan menggunakan metode Nayve Bayes classifier dengan penambahan fitur konversi emoticon dan multiaspect sentence labelling mendapatkan nilai akurasi sebesar 98.
67% dibanding dengan sebelum digunakan multiaspect sentence labelling yang hanya sebesar 88.
Metodologi Dalam penelitian ini dilakukan pengambilan data secara scrapping review dari Google Playstore untuk aplikasi Bukalapak yang pada alamat com.
Pemfilteran manual dilakukan untuk membatasi pengambilan data hanya pada tiga bulan sebelum dan tiga bulan sesuah IPO.
Seperti kita ketahui bahwa IPO Bukalapak dilakukan pada bulan Juli 2021, maka data sebelum IPO digunakan data pada bulan April sampai Juni, dan setelah IPO digunakan data pada bulan Agustus hingga Oktober.
Dengan jumlah dataset disetiap periode adalah 500 baris, dengan data uji sebanyak 20% dan data latih 80%.
Untuk data yang berhasil diambil, dilakukan pelabelan negatif dan positif dengan penggunakan rating yang diberikan oleh pengguna, untuk bintang 4 dan 5 diberikan label positif dan bintang 1,2 dan 3 diberikan label negatif.
Walaupun sebenarnya rating 3 masih cenderung netral, tetapi Analisis sentimen terhadap aplikasi Bukalapak secara produk rating 3 merupakan rating yang tidak bagus.
Berdasarkan pada pelabelan tersebut diperoleh jumlah data seperti dalam Tabel 1.
Tabel 1 Sebaran dataset pra IPO pasca IPO Tahapan penelitian Tahapan penelitian yang dilakukan dari dua jenis data tersebut di atas adalah sama, mulai dari pengambilan data, preprocessing teks, klasifikasi teks dan pengujian algoritma.
Untuk lebih jelasnya terkait dengan tahapan penelitian dapat dilihat pada Gambar 1.
Sebelum analisis sentimen dapat dilakukan dengan efektif dan efisien dan juga untuk meningkatkan akurasi dari hasil analisis atau klasifikasi, maka data yang kita miliki haruslah dipersiapkan dan diolah dengan baik dilakukan preprocessing.
Langkah preprocessing berfungsi untuk mengolah data sedemikian rupa sehingga bisa dianalisis dengan cepat dan akurat, penghilangan simbol, kata-kata tidak penting dan juga imbuhan akan bisa menghasilkan hasil yang akurat dan cepat.
Dalam penelitian ini dilakukan langkah preprocessing yakni, casefolding, penghilangan stopwords, tokenisasi, stemming dan pembobotan dengan Term Frequency Invers Document (TF-IDF).
Casefolding secara definisi adalah melakukan standardisasi atau konsistensi dalam penggunaan huruf kapital.
Hal ini perlu dilakukan karena huruf kapital tidak dibutuhkan dalam preprosesing dan klasifikasi, sehingga dengan standardisasi teks, proses data menjadi lebih efisien dan rapi.
Penghilangan stopwords dilakukan dengan menggunakan filtering karena kata-kata ini tidak deskriptif dan tidak membantu dalam proses analisis.
Sebagai contoh stopwords dalam bahasa Indonesia adalah AuyangAy.
AudiAy.
AuatauAy.
AudanAy, sedangkan dalam bahasa inggris contohnya AuaboutAy.
AuagainAy.
AuandAy.
AuorAy.
AuanyAy, dst.
Untuk melakukan filtering stopwords digunakan script menggunakan library NLTK.
Tokenisasi merupakan proses penting dalam NLP agar data dapat dimulai untuk dilakukan sebuah analisis, klasifikasi, clustering berdasarkan kata, daripada kalimat.
Kamus yang digunakan untuk menilai sebuah kalimat pastilah berdasarkan kata perkata, bukan kalimat, sehingga tokenisasi sangat penting untuk dilakukan dalam preprocesing.
Proses tokenisasi dalam penelitian ini menggunakan library NLTK.
Stemming merupakan proses untuk mengembalikan kata kedalam bentuk bakunya, sehingga setelah dilakukan pengembalian kedalam bentuk bakunya diharapkan proses pengelompokan kata akan menjadi lebih akurat.
Sebagai contoh misanya kepunyaannya, punyaku, punyamu, bisa dikelompokkan kedalam satu kata yakni punya.
Pada penelitian ini digunakan stemmer Sastrawi, dengan algoritma dasarnya adalah Nazief Adriani.
Metode stemming ini menggunakan teknik lemmatization yang mengembalikan kata yang berimbuhan menjadi kata dasar.
Selain itu, pemilihan metode ini berdasarkan pada penelitian oleh .
yang telah membandingkan akurasi dan kecepatan algoritma Nazief Adriani dan Porter untuk mengukur plagiarism.
Hasil dari penelitian tersebut diperoleh bahwa walaupun kecepatan Porter dua kali lebih cepat dari Nazief Adriani, akurasi Stemmer Nazief Adriani lebih tinggi yaitu 70.
Data yang telah melalui tahap preprocessing harus berbentuk numerik.
Untuk mengubah data tersebut menjadi numerik yaitu menggunakan metode pembobotan TF-IDF.
Metode Yanuargi.
Gambar 1 Tahapan analisis sentimen TF-IDF merupakan metode yang digunakan menentukan seberapa jauh keterhubungan kata .
terhadap dokumen dengan memberikan bobot setiap kata.
Proses perhitungan TF-IDF pada penelitian ini dengan cara menghitung bobot setiap kata yang ada dalam data Proses perhitungan dilakukan dengan menggunakan library Sklearn yang terdiri dari dua model yaitu count vectorizer .
ord coun.
dan Tfidfvectorizer .
ord frequencie.
Hasil dari preprocessing TF-IDF ini bisa dikatakan menjadi acuan penting dalam penelitian kali ini karena berdasarkan hasil TF-IDF kita akan dapat memperoleh informasi kata apa yang sering muncul dalam review konsumen untuk dua periode yang berbeda tersebut.
Matrix matematika yang mendeskripsikan seberapa besar frekuensi sebuah kata muncul dalam suatu dokumen atau korpus .
ocument term matri.
digunakan untuk mempermudah pembacaan dan analisis, karena jumlah kata individual setiap dokumen akan ditampilkan dengan lebih jelas.
Berdasarkan kecenderungan kata yang muncul dan dapat dibaca dengan jelas urutan dokumen kemunculannya, maka akan dapat dengan jelas mengetahui informasi kata-kata yang penting dalam review produk.
Analisis sentimen terhadap aplikasi Bukalapak Klasifikasi Nayve Bayes adalah sebuah metode klasifikasi dengan menggunakan metode statistik dan probabilitas yang dikemukakan oleh ilmuan Thomas Bayes.
Munurut penelitian .
yang membandingkan penggunakan Nayve Bayes dengan SVM dalam klasifikasi sentiment restoran online.
Nayve Bayes memiliki performa yang lebih baik dari SVM, dimana akurasi Nayve Bayes mencapay 95.
33% sedangkan SVM memiliki akurasi 90%.
Metode Nayve Bayes memiliki dua tahapan, yaitu tahapan pelatihan dan tahapan klasifikasi.
Dalam penelitian ini untuk tahapan pelatihan digunakan nilai 20% dari total data dan tahap klasifikasi menggunakan nilai 80%.
Untuk mengetahui performa klasifikasi yang dilakukan, maka perlu pengujian atau evaluasi hasil klasifikasi.
Dalam penelitian ini digunakan metode confusion matrix untuk mendapatkan tingkat akurasi, presisi.
F1-score dan recall dari hasil klasifikasi.
Confusion matrix membagi dua kelas dalam masalah klasifikasi seperti pada gambar di bawah ini.
Hal itu bisa membentuk empat hasil yang berbeda dalam perkiraan.
Hasil klasifikasi yang benar dapat dibagi menjadi dua benar-benar positif .
rue positiv.
dan benar-benar negatif .
rue negativ.
, sedangkan nilai positif yang salah .
alse positiv.
dan nilai negatif yang salah .
alse negativ.
merupakan dua tipe kesalahan.
Contoh dari false positive adalah dimana data yang salah diklasifikasikan menjadi data yang benar, sedangkan contoh false negative adalah dimana data yang benar diklasifikasikan sebagai data yang salah.
Hasil dan pembahasan Tabel 2 merupakan contoh hasil pemrosesan data yang berhasil dilakukan menggunakan Google Colab.
Dimana tahapan preprosesing yang dilakukan dimulai dari case folding, stop words removal, tokenisasi, stemming.
Tabel 2 Contoh hasil pemrosesan data sebelum IPO User friendly market place, a lot of beneficial promotional programs.
teks asli stop words.
Aplikasi nya bagus.
Sedikit masukan aplikasi nya kurang responsif, user experience nya jadi agak lemot user friendly market place, a lot of beneficial promotional programs.
aplikasi nya bagus.
sedikit masukan aplikasi nya kurang responsif, user experience nya jadi agak lemot [AouserAo.
AofriendlyAo.
AomarketAo.
AoplaceAo.
AoaAo.
AolotAo.
AoofAo.
AobeneficialAo.
AopromotionalAo.
AoprogramsA.
[AoaplikasiAo.
AobagusAo.
AobutuhAo.
AotambahAo.
AofiturAo.
AolengkapAo.
AogoodjobAo.
AobukalapakA.
sesudah IPO Beberapa kali menggunakan aplikasi ini untuk jual beli barang, sangat Terima kasih karna buka lapak saya bisa membeli kelas prakerja dengan mudah dan cepat beberapa kali menggunakan aplikasi ini untuk jual beli barang, sangat terima kasih karna buka lapak saya bisa membeli kelas prakerja dengan mudah dan cepat [AobeberapaAo,AokaliAo.
AomenggunakanAo,AoaplikasiAo,AojualAo,AobeliAo.
Aobarang.
AobantuA.
[AoterimaAo.
AokasihAo.
AokarnaAo.
AobukaAo.
AolapakAo.
AobeliAo,AokelasAo.
AoprakerjaAo,AomudahAo,AocepatA.
Data yang berhasil diambil kemudian dilakukan pelabelan negatif dan positif dengan penggunakan rating yang diberikan oleh pengguna, untuk bintang 4 dan 5 diberikan label positif dan untuk data dengan bintang satu hingga tiga diberikan label negatif.
Tahapan Yanuargi.
teks preprocessing terakhir yang dilakukan adalah melakukan pembobotan TF-IDF dan menghasilkan document term matrix.
Dalam proses ini dihasilkan kata-kata yang sering muncul dalam review aplikasi Bukalapak di Google Playstore.
Hasil document term matrix dari TF-IDF dapat dilihat pada Tabel 3 yang menampilkan urutan 20 besar.
Dari document term matrix di Tabel 3, dapat dilihat bahwa urutan kata yang sering keluar dalam review produk di Google Playstore sama pada dua periode sampai urutan ke lima, kemudia mulai masuk beberapa kata baru termasuk kata AuSahamAy yang terkait dengan IPO sebanyak 49 kali.
Tabel 3 Hasil term matrix 20 kata teratas sebelum IPO sesudah IPO Pada penelitian ini dilakukan pemodelan labeling positif dan negatif menggunakan algoritma Nayve bayes.
Dimana akan dibuat labeling secara otomatis berdasarkan dataset yang sudah ada untuk memprediksi labeling baru.
Hasil dari pelabelan yang baru dapat dilihat pada Tabel 4.
Tabel 4 Jumlah label setiap periode pra IPO pasca IPO Berdasarkan pada Table 4 di atas, bisa diketahui bahwa komposisi negatif dan positif 58% dibanding 47.
Komposisi ini berbeda dengan komposisi data training dimana perbandingan negatif dan positif adalah 48.
13% dibanding 47.
Selain itu juga ditunjukkan bahwa sentimen negatif mengalami penurunan setelah peluncuran saham ke Analisis sentimen terhadap aplikasi Bukalapak Untuk mengetahui tingkat akurasi dari hasil klasifikasi Nayve bayes, maka perlu dilakukan Pada penelitian kali ini dilakukan pengujian dengan menggunakan metode confusion matrix.
Pengujian algorithma menggunakan confusion matrix ini berguna untuk mengkalkulasi berapa banyak prediksi yang berhasil (TP) dengan prediksi sentimen positif dan aktualnya positif, serta TN dengan prediksi sentimen negatif aktualnya pun negatif.
Hasil dari pengujian algortima Nayve Bayes yang digunakan adalah seperti pada Gambar 2.
sesudah Gambar 2 Data confusion matrix sebelum & sesudah IPO Berdasarkan pada confusion matrix tersebut dapat dilihat bahwa nilai TP .
rue positiv.
mengalami kenaikan sebelum dan sesudah IPO dari 38 ke 44, dan nilai TN .
rue negativ.
mengalami penurunan dari 39 ke 32.
Adapun nilai akurasi, presisi, recall dan f1-score dari hasil pengujian dalam penelitian ini yang didapatkan dari perhitungan confussion matrix adalah seperti tertampil di Tabel 5.
Tabel 5 Hasil pengujian klasifikasi F1-score sebelum IPO sesudah IPO Dalam tabel Tabel 5 tampak terjadi penurunan nilai akurasi dan presisi dari data sebelum IPO dan data setelah IPO walaupun tidak signifikan akan menarik untuk diteliti lebih lanjut.
Hal ini bisa dikarenakan periode waktu pengambilan data yang berbeda sehingga menghasilkan data set yang berbeda.
Perbedaan dataset tentunya akan berpengaruh pada pre processing data sehingga berpengaruh pada tingkat akurasi dan presisi.
Kesimpulan Dari keseluruhan kegiatan analisis sentimen pada penelitian ini dengan menggunakan klasifikasi Nayves bayes, nilai akurasi klasifikasi yang didapatkan adalah 77% untuk dataset sebelum IPO berlangsung dan 76% untuk dataset yang diambil setelah IPO.
Walaupun akurasi tidak terlalu tinggi, tapi sudah cukup bagus untuk menghasilkan nilai prediksi yang akurat berdasarkan dataset yang digunakan.
Berdasarkan prediksi yang dilakukan, sentimen
PUSTAKA
negatif pada aplikasi Bukalapak mengalami penurunan setelah IPO dan kenaikan sentimen Hal ini cukup bagus dimana konsumen cukup antusias dengan berlangsungnya IPO.
Pengembangan penelitian lebih lanjut adalah bagaimana melakukan prediksi dan klasifikasi sentimen untuk mengetahui jenis kata apa saja yang ada dalam sentimen negatif atau positif.
Hal ini tentunya sangat bermanfaat untuk mengetahui secara pasti apa yang menjadi keluhan konsumen dengan mengetahui kata-kata terbanyak .
erm frequenc.
yang ada dalam sentimen negatif.
Pustaka