Analisis Sentimen Masyarakat terhadap Aplikasi Shopee dengan Menggunakan Algoritma Regresi Logistik
-
Auralia Izmi
*
STIKOM Tunas Bangsa, Pematangsiantar,
Indonesia
- Haya Atiqah Tampubolon STIKOM Tunas Bangsa, Pematang Siantar, Indonesia
- Nur Rifki TriAji STIKOM Tunas Bangsa, Pematang Siantar, Indonesia
- Heru Satria Tambunan STIKOM Tunas Bangsa, Pematang Siantar, Indonesia (*) Corresponding Author
Abstract
Penelitian ini menganalisis sentimen masyarakat terhadap aplikasi Shopee dengan menggunakan algoritma regresi logistik. Data review diambil dari Google Play Store dengan menggunakan teknik scraping, kemudian diolah melalui tahapan pra-pemrosesan seperti tokenisasi, normalisasi, stopword removal, dan stemming, untuk memastikan data bersih dan relevan. Metode Term Frekuensi-Invers Dokumen Frekuensi (TF-IDF) digunakan untuk menentukan bobot setiap term dalam dokumen. Data diklasifikasikan menggunakan model regresi logistik, yang diuji melalui tiga skenario distribusi data pelatihan dan pengujian: 80:20, 70:30, dan 60:40. Hasilnya menunjukkan bahwa model mencapai akurasi tertinggi pada skenario 80:20 sebesar 85%, diikuti oleh 82% pada skenario 70:30, dan 80% pada skenario 60:40. Precision dan recall juga menunjukkan kinerja yang baik dalam mengklasifikasikan sentimen positif, negatif dan netral. Penelitian ini memberikan wawasan penting mengenai pola sentimen masyarakat terhadap aplikasi Shopee, termasuk kepuasan pengguna dan tantangan yang dihadapi terhadap layanan tersebut. Penelitian ini membuktikan bahwa algoritma regresi logistik efektif dalam menangani klasifikasi sentimen dan memberikan hasil yang mudah diinterpretasikan. Namun terdapat keterbatasan dalam menangani data dengan distribusi kategori yang tidak seimbang. Penelitian di masa depan dapat menggunakan algoritma lain seperti Random Forest atau Deep Learning untuk meningkatkan akurasi dan performa model dalam menangani data yang lebih kompleks.
References
D. Ardiansyah, A. Saepudin, R. Aryanti, E. Fitriani, and Royadi, “Analisis Sentimen Review Pada Aplikasi Media Sosial Tiktok Menggunakan Algoritma K-Nn Dan Svm Berbasis Pso,” J. Inform. Kaputama, vol. 7, no. 2, pp. 233–241, 2023, doi: 10.59697/jik.v7i2.148.
K. A. Majid and L. Rahmawati, “Fenomena dan perilaku belanja online melalui TikTok Shop pada Generasi Z perspektif konsumsi Islam,” J. Ilm. Ekon. Islam, vol. 10, no. 2, pp. 1796–1806, 2024, doi: 10.29040/jiei.v10i2.13383.
T. Fatiah Rahmadanti, M. Jajuli, and I. Purnamasari, “Klasifikasi Pengguna Shopee Berdasarkan Promosi Menggunakan Naïve Bayes,” Gener. J., vol. 5, no. 2, pp. 81–90, 2021, doi: 10.29407/gj.v5i2.15998.
D. P. Santoso and W. Wibowo, “Analisis Sentimen Ulasan Aplikasi Buzzbreak Menggunakan Metode Naïve Bayes Classifier pada Situs Google Play Store,” J. Sains dan Seni ITS, vol. 11, no. 2, 2022, doi: 10.12962/j23373520.v11i2.72534.
V. K. S. Que, A. Iriani, and H. D. Purnomo, “Analisis Sentimen Transportasi Online Menggunakan Support Vector Machine Berbasis Particle Swarm Optimization,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 9, no. 2, pp. 162–170, 2020, doi: 10.22146/jnteti.v9i2.102.
H. C. Husada and A. S. Paramita, “Analisis Sentimen Pada Maskapai Penerbangan di Platform Twitter Menggunakan Algoritma Support Vector Machine (SVM),” Teknika, vol. 10, no. 1, pp. 18–26, 2021, doi: 10.34148/teknika.v10i1.311.
Normah, B. Rifai, S. Vambudi, and R. Maulana, “Analisa Sentimen Perkembangan Vtuber Dengan Metode Support Vector Machine Berbasis SMOTE,” J. Tek. Komput. AMIK BSI, vol. 8, no. 2, pp. 174–180, 2022, doi: 10.31294/jtk.v4i2.
E. Martantoh and N. Yanih, “Implementasi metode Naive Bayes untuk klasifikasi karakteristik kepribadiaan siswa di sekolah MTS Darussa’adah menggunakan PHP MySQL,” J. Teknol. Sist. Inf., vol. 3, no. 2, pp. 166–175, 2022, doi: 10.35957/jtsi.v3i2.2896.
N. P. Nugraha, R. Azim, S. Z. Daffa, and P. S. Ningayu, “Perbandingan Akurasi Metode Naïve Bayes dan Metode KNN untuk Memprediksi Gagal Ginjal Kronis,” J. Rekayasa Elektro Sriwij., vol. 5, no. 1, pp. 1–10, 2023, doi: 10.36706/jres.v5i1.63.
A. Pebdika, R. Herdiana, and D. Solihudin, “Klasifikasi Menggunakan Metode Naive Bayes Untuk Menentukan Calon Penerima Pip,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 1, pp. 452–458, 2023, doi: 10.36040/jati.v7i1.6303.
J. A. P. Ginting, R. M. Sari, M. R. D. Siregar, and D. Kiswanto, “Analisis Support Vector Machine (Svm) Untuk Klasifikasi Jenis Kelamin Pada Ikan Cupang Dengan Bantuan Local Binary Pattern (Lbp),” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 6, pp. 12782–12786, 2024, doi: 10.36040/jati.v8i6.12028.
S. Rabbani, D. Safitri, N. Rahmadhani, A. A. F. Sani, and M. K. Anam, “Perbandingan evaluasi kernel SVM untuk klasifikasi sentimen dalam analisis kenaikan harga BBM: Comparative evaluation of SVM kernels for sentiment classification in fuel price increase analysis,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 3, no. 2, pp. 153–160, 2023, doi: 10.57152/malcom.v3i2.897.
F. Aziz, P. Ishak, and S. Abasa, “Klasifikasi Depresi Menggunakan Support Vector Machine: Pendekatan Berbasis Data Text Mining,” J. Pharm. Appl. Comput. Sci., vol. 2, no. 2, pp. 33–38, 2024, doi: 10.59823/jopacs.v2i2.53.
M. M. Maarif and N. Setiyawati, “Analisis Sentimen Review Aplikasi LinkedIn di Google Play Store Menggunakan Support Vector Machine,” Progresif J. Ilm. Komput., vol. 20, no. 1, p. 454, 2024, doi: 10.35889/progresif.v20i1.1614.
D. Darwis, N. Siskawati, and Z. Abidin, “Penerapan Algoritma Naive Bayes untuk Analisis Sentimen Review Data Twitter BMKG Nasional,” J. TEKNO KOMPAK, vol. 15, no. 1, pp. 131–145, 2021, doi: 10.33365/jtk.v15i1.744.
S. P. Rahayu, R. R. Aripin, and I. S. Ahmad, “Pemodelan Regresi Multivariat pada Penentuan Faktor-Faktor yang Berpengaruh terhadap Kesejahteraan di Jawa Tengah,” J. Varian, vol. 3, no. 2, pp. 125–138, 2020, doi: 10.30812/varian.v3i2.654.
A. Tripena, Y. Lianawati, and A. A. Setyawan, “Analisis Faktor-Faktor yang Mempengaruhi Kemiskinan Rumah Tangga di Desa Kotayasa melalui Pendekatan Regresi Logistik Biner,” Electro Luceat, vol. 9, no. 2, pp. 43–58, 2023, doi: 10.32531/jelekn.v9i2.708.
S. S. Dewi and R. Resmawan, “Analisis Regresi Logistik Multinomial dengan Metode Bayes untuk Identifikasi Faktor-Faktor Terjadinya Diabetes Melitus,” J. Math. Theory Appl., vol. 5, no. 2, pp. 51–60, 2023, doi: 10.31605/jomta.v5i2.2520.
N. Neneng, A. S. Puspaningrum, and A. A. Aldino, “Perbandingan Hasil Klasifikasi Jenis Daging Menggunakan Ekstraksi Ciri Tekstur Gray Level Co-occurrence Matrices (GLCM) Dan Local Binary Pattern (LBP),” Smatika J., vol. 11, no. 01, pp. 48–52, 2021, doi: 10.32664/smatika.v11i01.572.
A. Tantowi, D. Pasha, and A. T. Priandika, “Implementasi Sistem Informasi Pembayaran Berbasis Sms Gateway (Studi Kasus : SMK Negeri 1 Bandar Lampung),” J. Inform. dan Rekayasa Perangkat Lunak, vol. 2, no. 2, pp. 188–195, 2021, doi: 10.33365/jatika.v2i2.921.
M. R. Handoko and N. Neneng, “Sistem Pakar Diagnosa Penyakit Selama Kehamilan Menggunakan Metode Naive Bayes Berbasis Web,” J. Teknol. Dan Sist. Inf., vol. 2, no. 1, pp. 50–58, 2021.
S. Pramono, I. Ahmad, and R. I. Borman, “Analisis Potensi Dan Strategi Penembaan Ekowisata Daerah Penyanga Taman Nasional Way Kambas,” J. Teknol. dan Sist. Inf., vol. 1, no. 1, pp. 57–67, 2020, doi: 10.33365/jtsi.v1i1.208.
P. B. Ramadhanu and A. T. Priandika, “Rancang Bangun Web Service Api Aplikasi Sentralisasi Produk Umkm Pada Uptd Plut Kumkm Provinsi Lampung,” J. Teknol. dan Sist. Inf., vol. 2, no. 1, pp. 59–64, 2021, doi: 10.33365/jtsi.v2i1.609.
A. Novantika and S. Sugiman, “Analisis Sentimen Ulasan Pengguna Aplikasi Video Conference Google Meet menggunakan Metode SVM dan Logistic Regression,” in PRISMA, Prosiding Seminar Nasional Matematika, 2022, pp. 808–813.
G. Honestya, M. Sajida, and A. Ramadhanu, “Klasifikasi Jenis Daun Herbal Menggunakan Metode Logistic Regression dan Decision Tree Classifier Berdasarkan Fitur (Warna dan Bentuk),” J. Inf. Syst. Educ. Dev., vol. 2, no. 1, pp. 52–55, 2024, doi: 10.62386/jised.v2i1.59.
A. Apriani, H. Zakiyudin, and K. Marzuki, “Penerapan Algoritma Cosine Similarity dan Pembobotan TF-IDF System Penerimaan Mahasiswa Baru pada Kampus Swasta,” J. Bumigora Inf. Technol., vol. 3, no. 1, pp. 19–27, 2021, doi: 10.30812/bite.v3i1.1110.
I. S. Wibowo, A. Witanti, and I. Susilawati, “Keyword Extraction Judul Berita Online Di Indonesia Menggunakan Metode TF-IDF,” JATISI, vol. 11, no. 1, pp. 99–111, 2024, doi: 10.35957/jatisi.v11i1.6718.
J. E. B. Sinulingga and H. C. K. Sitorus, “Analisis Sentimen Opini Masyarakat terhadap Film Horor Indonesia Menggunakan Metode SVM dan TF-IDF,” J. Manaj. Inform., vol. 14, no. 1, pp. 42–53, 2024, doi: 10.34010/jamika.v14i1.11946.
F. Rizal, A. Wijaya, and F. Hasyim, “Analisis Sentimen Masyarakat Indonesia Terhadap Aplikasi TikTok Menggunakan Algoritma Logistic Regression,” AKIRATECH J. Comput. Electr. Eng., vol. 1, no. 2, pp. 57–65, 2024, doi: 10.63935/akiratech.v1i2.33.
Bila bermanfaat silahkan share artikel ini
Berikan Komentar Anda terhadap artikel Analisis Sentimen Masyarakat terhadap Aplikasi Shopee dengan Menggunakan Algoritma Regresi Logistik
Pages: 80-89
Copyright (c) 2025 Auralia Izmi, Haya Atiqah Tampubolon, Nur Rifki TriAji, Heru Satria Tambunan
This work is licensed under a Creative Commons Attribution 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under Creative Commons Attribution 4.0 International License that allows others to share the work with an acknowledgment of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (Refer to The Effect of Open Access).
