skip to main content

ANALISIS SENTIMEN REVIEW APLIKASI CRYPTOCURRENCY MENGGUNAKAN ALGORITMA MAXIMUM ENTROPY DENGAN METODE PEMBOBOTAN TF, TF-IDF DAN BINARY

Fadhilla Atansa Tamardina  -  Departemen Statistika, Fakultas Sains dan Matematika, Universitas Diponegoro, Indonesia, Indonesia
*Hasbi Yasin  -  Departemen Statistika, Fakultas Sains dan Matematika, Universitas Diponegoro, Indonesia
Dwi Ispriyanti  -  Departemen Statistika, Fakultas Sains dan Matematika, Universitas Diponegoro, Indonesia
Open Access Copyright 2022 Jurnal Gaussian under http://creativecommons.org/licenses/by-nc-sa/4.0.

Citation Format:
Abstract

Pandemi COVID-19 yang belum berhenti menyebabkan kondisi ekonomi Indonesia kian memburuk. Masyarakat yang terkena dampak pemotongan upah akibat pandemi harus mencari cara untuk mendapatkan pendapatan pasif. Salah satu cara untuk mendapatkan hal tersebut adalah berinvestasi. Cryptocurrency adalah salah satu instrumen investasi berbasis aplikasi yang memiliki return tinggi. Aplikasi Pintu  adalah aplikasi pertama yang menyediakan fasilitas mobile apps  pada penggunanya. Aplikasi yang dirilis pada tahun 2020 ini sudah memiliki banyak ulasan yang diberikan oleh penggunanya. Ulasan ini dibutuhkan untuk mengetahui apakah ulasan yang diberikan bersifat positif atau negatif. Analisis sentimen pada aplikasi Pintu dipilih untuk melihat sentimen pengguna yang akan dibagi menjadi dua kelas sentimen yaitu positif dan negatif. Klasifikasi dilakukan dengan algoritma Maximum Entropy dengan perbandingan metode pembobotan kata Term Frequency (TF), Term Frequency-Inverse Document Frequency (TF-IDF) dan Binary. Model klasifikasi terbaik dilihat berdasarkan nilai akurasi yang dievaluasi dengan 5-Fold Cross Validation. Hasil klasifikasi model Maximum Entropy dengan Binary memiliki tingkat akurasi sebesar 83,21% sedangkan hasil klasifikasi model Maximum Entropy dengan Term Frequency hanya sebesar 83,01% dan model Maximum Entropy dengan Term Frequency-Inverse Document Frequency hanya sebesar 83,20%. Hal ini menunjukkan bahwa tidak terdapat perbedaan yang signifikan pada model algoritma Maximum Entropy dengan metode pembobotan kata Term Frequency (TF), Term Frequency-Inverse Document Frequency (TF-IDF) dan Binary.

 

Keywords: Cryptocurrency, Binary, Term Frequency, Term Frequency-Inverse Document Frequency, Maximum Entropy

Fulltext View|Download
Keywords: Cryptocurrency, Binary, Term Frequency, Term Frequency-Inverse Document Frequency, Maximum Entropy

Article Metrics:

  1. Fawcett, T., 2006. An Introduction to ROC Analysis. Pattern Recognition Letters, Volume 27(8), pp. 861-874
  2. Feldman, R. & Sanger, J., 2007. The Text Mining Handbook: Advanced approaches in Analyzing Unstructured Data. New York: Cambridge University Press
  3. Haizer , J. & Barry, R., 2008. Operation Management. Jakarta: Salemba Empat
  4. Liu, B., 2012. Sentiment Analysis and Opinion Mining. Rafael: Morgan & Claypool Publisher
  5. Pintu. 2020. Kami Adalah Pintu. https://pintu.co.id/about. Diakses: 12 Februari 2021
  6. Refaeilzadeh, P., Tang , L. & Liu, H., 2009. Encyclopedia of Database Systems. New York: Springer
  7. Mudambi, S. M. dan Schuff, D. (2010). What Makes A Helpful Online Review? A Study of Customer Reviewa on Amazon.com. Mis Quarterly, Vol. 34, No. 1, Hal. 185-200

Last update:

No citation recorded.

Last update:

No citation recorded.