ANALISIS SENTIMEN ULASAN PENUMPANG MASKAPAI PENERBANGAN DI INDONESIA DENGAN ALGORITMA RANDOM FOREST DAN KNN
Abstract
Penelitian ini mendalam pada analisis sentimen ulasan pelanggan terhadap maskapai penerbangan di Indonesia melalui NLP dan Machine Learning. Dalam prosesnya, data ulasan melibatkan serangkaian teknik, termasuk cleansing, case folding, tokenization, filtering, dan stemming, sementara sentimen diberikan label menggunakan lexicon afinn. Visualisasi kata-kata dominan dari ulasan diwujudkan melalui wordcloud untuk memberikan gambaran yang kaya dan intuitif. Ekstraksi fitur melibatkan metode TF-IDF, diikuti oleh proses klasifikasi menggunakan algoritma Random Forest dan K-Nearest Neighbor (KNN). Hasil evaluasi model menunjukkan tingkat akurasi yang memuaskan, dengan Random Forest mencapai 83% dan KNN mencapai 82%. Temuan ini memberikan wawasan yang dalam tentang preferensi pelanggan dan potensial masalah dalam pengalaman penerbangan di Indonesia, memberikan kontribusi pada pemahaman yang lebih holistik terhadap dinamika industri penerbangan.
Downloads
References
“Indonesia Memiliki 13.466 Pulau yang Terdaftar dan Berkoordinat.” Accessed: Dec. 19, 2023. [Online]. Available: https://big.go.id/news/2014/05/12/indonesia-memiliki-13-466-pulau-yang-terdaftar-dan-berkoordinat
“Apa Itu Maskapai Penerbangan dan Contohnya di Indonesia.” Accessed: Dec. 19, 2023. [Online]. Available: https://sttkd.ac.id/berita/apa-itu-maskapai-penerbangan-dan-contohnya-di-indonesia/
W. Medhat, A. Hassan, and H. Korashy, “Sentiment analysis algorithms and applications: A survey,” Ain Shams Eng. J., vol. 5, no. 4, pp. 1093–1113, 2014, doi: 10.1016/j.asej.2014.04.011.
P. Karthika, R. Murugeswari, and R. Manoranjithem, “Sentiment Analysis of Social Media Network Using Random Forest Algorithm,” IEEE Int. Conf. Intell. Tech. Control. Optim. Signal Process. INCOS 2019, pp. 1–5, 2019, doi: 10.1109/INCOS45849.2019.8951367.
“Algoritme k tetangga terdekat - Wikipedia bahasa Indonesia, ensiklopedia bebas.” Accessed: Dec. 20, 2023. [Online]. Available: https://id.wikipedia.org/wiki/Algoritme_k_tetangga_terdekat
F. R. Irawan, A. Jazuli, and T. Khotimah, “Analisis Sentimen Terhadap Pengguna Gojek Menggunakan Metode K-Nearset Neighbors Sentiment Analysis of Gojek Users Using K-Nearest Neighbor,” JIKO (Jurnal Inform. dan Komputer), vol. 5, no. 1, pp. 62–68, 2022, doi: 10.33387/jiko.
A. W. Sari, T. I. Hermanto, and M. Defriani, “Sentiment Analysis Of Tourist Reviews Using K-Nearest Neighbors Algorithm And Support Vector Machine,” Sinkron, vol. 8, no. 3, pp. 1366–1378, 2023, doi: 10.33395/sinkron.v8i3.12447.
S. Styawati, N. Hendrastuty, and A. R. Isnain, “Analisis Sentimen Masyarakat Terhadap Program Kartu Prakerja Pada Twitter Dengan Metode Support Vector Machine,” J. Inform. J. Pengemb. IT, vol. 6, no. 3, pp. 150–155, 2021, doi: 10.30591/jpit.v6i3.2870.
R. Rasenda, H. Lubis, and R. Ridwan, “Implementasi K-NN Dalam Analisa Sentimen Riba Pada Bunga Bank Berdasarkan Data Twitter,” J. Media Inform. Budidarma, vol. 4, no. 2, p. 369, 2020, doi: 10.30865/mib.v4i2.2051.
R. A. Husen, R. Astuti, L. Marlia, R. Rahmaddeni, and L. Efrizoni, “Analisis Sentimen Opini Publik pada Twitter Terhadap Bank BSI Menggunakan Algoritma Machine Learning,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 3, no. 2, pp. 211–218, 2023, doi: 10.57152/malcom.v3i2.901.
C. S. Pavan Kumar and L. D. Dhinesh Babu, Novel text preprocessing framework for sentiment analysis, vol. 105. Springer Singapore, 2019. doi: 10.1007/978-981-13-1927-3_33.
K. Kowsari, K. J. Meimandi, M. Heidarysafa, S. Mendu, L. Barnes, and D. Brown, “Text classification algorithms: A survey,” Inf., vol. 10, no. 4, pp. 1–68, 2019, doi: 10.3390/info10040150.
M. Chiny, M. Chihab, Y. Chihab, and O. Bencharef, “LSTM, VADER and TF-IDF based Hybrid Sentiment Analysis Model,” Int. J. Adv. Comput. Sci. Appl., vol. 12, no. 7, pp. 265–275, 2021, doi: 10.14569/IJACSA.2021.0120730.
M. Wang and F. Hu, “The Application of NLTK Library for Python Natural Language Processing in Corpus Research,” Theory Pract. Lang. Stud., vol. 11, no. 9, pp. 1041–1049, Sep. 2021, doi: 10.17507/TPLS.1109.09.
W. Ahmed, N. A. Semary, K. Amin, and M. Adel Hammad, “Sentiment Analysis on Twitter Using Machine Learning Techniques and TF-IDF Feature Extraction: A Comparative Study,” IJCI. Int. J. Comput. Inf., vol. 10, no. 3, pp. 52–57, Nov. 2023, doi: 10.21608/IJCI.2023.236052.1128.
V. Sheth, U. Tripathi, and A. Sharma, “A Comparative Analysis of Machine Learning Algorithms for Classification Purpose,” Procedia Comput. Sci., vol. 215, pp. 422–431, Jan. 2022, doi: 10.1016/J.PROCS.2022.12.044.
R. Ahuja, A. Chug, S. Kohli, S. Gupta, and P. Ahuja, “The Impact of Features Extraction on the Sentiment Analysis,” Procedia Comput. Sci., vol. 152, pp. 341–348, Jan. 2019, doi: 10.1016/J.PROCS.2019.05.008.
Copyright (c) 2024 ZONAsi: Jurnal Sistem Informasi
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Bahasa Indonesia
In English
