View of Perbandingan Algoritma Naive Bayes Dan SVM Dalam Sentimen Analisis Marketplace Pada Twitter

(1)

731 Jurnal Teknik Informatika dan Sistem Informasi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 731-740 E-ISSN 2503-2933

Received June1^st,2012; Revised June25^th, 2012; http://jurnal.mdp.ac.id jatisi@mdp.ac.id

Perbandingan Algoritma Naive Bayes Dan SVM Dalam Sentimen Analisis Marketplace Pada Twitter

Indra Kurniawan*¹, April Lia Hananto², Shofa Shofia Hilabi³, Agustia Hananto⁴, Bayu Priyatna⁵, Aviv Yuniar Rahman⁶

1,2,3,4,5

Program Studi Sistem Informasi, Fakultas Ilmu Komputer, Universitas Buana Perjuangan, Karawang

4Program Studi Teknik Informatika, Fakultas Teknik, Universitas Widyagama, Malang

e-mail: *¹si19.indrakurniawan@mhs.ubpkarawang.ac.id, ²aprilia@ubpkarawang.ac.id,

3shofa.hilabi@ubpkarawang.ac.id, ⁴agustia.hananto@ubpkarawang.ac.id,

5bayu.priyatna@ubpkarawang.ac.id, ⁶aviv@widyagama.ac.id

Abstrak

Transaksi jual beli online semakin meningkat di Indonesia karena kemudahan penggunaan platform marketplace, dan belanja online lebih menghemat waktu dibandingkan belanja offline. Masing-masing marketplace mempunyai kelebihan dan kekurangan hal ini mempengaruhi sentimen pelanggan yang pernah melakukan transaksi di platform marketplace tersebut. Dalam riset ini menggunakan opini pelanggan dari data tweet berdasarkan sentimen positif atau negatif untuk membandingkan algoritma klasifikasi Naive Bayes (NB) dan Support Vector Machine (SVM) dengan tujuan untuk mengetahui algoritma klasifikasi terbaik berdasarkan nilai accuracy untuk sentimen analisis penggunaan platform marketplace. Data tweet dalam penelitian ini diambil pada tanggal 18 Oktober sampai tanggal 11 November 2022.

Untuk menguji kinerja algoritma klasifikasi NB dan SVM menggunakan metode Cross Validation dan dari hasil hasil pengujian perbandingan tersebut bahwa algoritma SVM memiliki nilai accuracy yang terbaik dibandingkan dengan algoritma NB. Dimana nilai accuracy Tokopedia menggunakan algoritma NB sebesar 85.34%, dan nilai accuracy menggunakan SVM 86.82%, untuk nilai accuracy Shopee menggunakan NB sebesar 80.04%, dan nilai accuracy menggunakan SVM 80.91%. dan Lazada yang menggunakan algoritma NB mempunyai nilai accuracy 83.52%, sedangkan nilai accuracy menggunakan SVM 88.93% yang artinya penggunaan algoritma SVM memiliki tingkat akurasi terbaik.

Kata kunci—Sentimen Analisis, Marketplace, Naive Bayes, Support Vector Machine, SMOTE

Abstract

Online buying and selling transactions are increasing in Indonesia due to the ease of using marketplace platforms, and online shopping saves more time than offline shopping. Each marketplace has advantages and disadvantages, this affects customer sentiment who have made transactions on the marketplace platform. This research uses customer opinion from tweet data based on positive or negative sentiments to compare the Naive Bayes (NB) and Support Vector Machine (SVM) classification algorithms with the aim of finding out the best classification algorithm based on the accuracy value for sentiment analysis using the marketplace platform.

The tweet data in this study was taken from October 18 to November 11, 2022. To test the performance of the NB and SVM classification algorithms using the Cross Validation method and from the results of the comparison test that the SVM algorithm has the best accuracy value compared to the NB algorithm. Where the accuracy value of Tokopedia uses the NB algorithm

(2)

Jatisi ISSN 2407-4322

Vol. 10, No. 1, Maret 2023, Hal. 731-740 E- ISSN 2503-2933 732

is 85.34%, and the accuracy value uses SVM 86.82%, the accuracy value for Shopee uses NB is 80.04%, and the accuracy value uses SVM 80.91%. and Lazada which uses the NB algorithm has an accuracy value of 83.52%, while the accuracy value uses SVM 88.93%, which means that the use of the SVM algorithm has the best level of accuracy.

Keywords— Sentiment Analysis, Marketplace, Naive Bayes, Support Vector Machine, SMOTE

1. PENDAHULUAN

Kegiatan jual beli secara online di Indonesia mengalami peningkatan yang dipicu oleh marketplace yang menawarkan platform user-friendly. Selain itu, dibandingkan berbelanja offline, belanja online tidak banyak menyita waktu [1]. Hal ini yang merubah tren di masyarakat dan para pelaku bisnis lebih memilih bertransaksi jual beli secara online di marketplace. Dari banyaknya marketplace di Indonesia ada tiga marketplace yang banyak dikunjungi dan paling populer di kuartal pertama tahun 2022 yaitu Tokopedia, Shopee, dan Lazada [2].

Masing-masing marketplace mempunyai kelebihan maupun kekurangan baik dari segi pembayaran, pengiriman produk, promosi, ataupun keamanan transaksi. Hal tersebut berpengaruh terhadap sentimen pelanggan yang menjadi tolak ukur kualitas marketplace tersebut. Sentimen pelanggan bisa dilihat dari ulasan pada platform marketplace atau data tweet (cuitan) yang bernada positif maupun negatif terhadap akun official media sosial milik marketplace itu sendiri. Indonesia merupakan negara yang menempati peringkat ke-5 pengguna media sosial Twitter terbesar di dunia [3]. Namun membaca tweet pengguna satu per satu kurang efektif dan memakan banyak waktu.

Untuk mengatasi masalah tersebut perlu dilakukan riset berdasarkan data tweet (cuitan) pengguna marketplace pada media sosial Twitter. Analisis sentimen adalah ilmu menganalisis data dengan menelaah banyak sudut pandang, sentimen, dan emosi yang disampaikan dalam teks untuk menentukan apakah nilainya positif atau negatif [4]. Analisis sentimen dapat dilakukan menggunakan algoritma klasifikasi seperti Naive Bayes (NB) [5] dan Support Vector Machine (SVM) [6].

Penelitian sebelumnya oleh Margaretha dan Hendry menjelaskan proses pengujian algoritma Naive Bayes (NB) cocok untuk melakukan proses klasifikasi untuk mengukur kepuasan konsumen milenial di Shopee Indonesia, dengan hasil tingkat pengukuran sebesar 89,65% [7]. Penelitian dari Rizqia dan Sucitra yang melakukan pengelompokan data dari review komentar marketplace dengan metode Support Vector Machine (SVM) dalam bentuk teks.

Mendapatkan hasil nilai akurasi sebesar 75,92%, metode SVM dianggap menghasilkan nilai akurasi yang cukup baik [8].

Penelitian lainnya Andreyestha dan Azizah melakukan analisis dengan membandingkan Algoritma Naive Bayes dan Algoritma Random Forest untuk menguji data tweet Twitter tentang Tokopedia. Menggabungkan Teknik SMOTE untuk memperbaiki ketidakseimbangan data.

Akurasi algoritma Naive Bayes menjadi 86,93%, meningkat 3,4% dari sebelumnya 83,53%.

Random Forest memiliki skor akurasi sebesar 88,44%, meningkat 1,55% dari hasil pengujian sebelumnya sebesar 86,89% [9].

Penelitian ini akan menyajikan perbandingan menggunakan pendapat pelanggan dari data tweet berdasarkan sentimen positif atau negatif untuk membandingkan algoritma klasifikasi Naive Bayes (NB) dan Support Vector Machine (SVM). Penelitian ini didasarkan pada beberapa penelitian sebelumnya tentang algoritma klasifikasi dan penggunaan SMOTE untuk mengatasi ketidakseimbangan kelas. Keluaran dari penelitian ini yaitu untuk mengetahui algoritma terbaik

(3)

733 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 731-740 E-ISSN 2503-2933

Title of manuscript is short and clear, implies research results (First Author)

Indra, et., al [Perbandingan Algoritma Naive Bayes Dan SVM Dalam Sentimen Analisis Marketplace Pada Twitter]

2. METODE PENELITIAN 2.1 Sentimen Analisis

Sentimen Analisis adalah tindakan mengkategorikan suatu emosi dalam polaritas teks dalam frasa sehingga dapat di nilai menjadi sentimen positif, negatif, atau netral [10].

2.2 Marketplace

Marketplace adalah suatu wadah transaksi bagi pengguna dalam melakukan pembelian dan penjualan melalui internet dengan cara yang mudah [11].

2.3 Naive Bayes

Naive Bayes (NB) adalah metode klasifikasi sederhana yang menggabungkan kombinasi nilai frekuensi basis data berdasarkan teorema Bayes untuk menghitung semua probabilitas [12].

2.4 Support Vector Machine

Support Vector Machine (SVM) digunakan sebagai metode mencari hyperplane terbaik dengan memaksimalkan jarak antar kelas [13].

2.5 Synthetic Minority Oversampling Technique

Synthetic Minority Oversampling Technique (SMOTE) adalah operator yang berfungsi untuk menangani imbalance class [14].

2.6 Tahapan Penelitian

Tahapan penelitian ini dilakukan dengan pengambilan data, pelabelan manual, preprocessing, pemodelan, dan evaluasi pada Gambar 1.

Gambar 1. Tahapan Penelitian 2.6.1 Pengambilan Data

Pengumpulan data dalam penelitian ini menggunakan aplikasi RapidMiner Studio yang dikoneksikan dengan Twitter API.

2.6.2 Pelabelan

Tahapan pelabelan bertujuan untuk mengidentifikasi data tweet tersebut termasuk bernada positif atau negatif.

2.6.3 Preprocessing

Tahapan ini bertujuan untuk membersihkan data yang akan di gunakan dalam penelitian.

Prosedur yang digunakan diantaranya adalah Cleansing, Tokenizing, Case Transformation, Filter Stopwords, Filter Tokens (by Length).

(4)

Jatisi ISSN 2407-4322

Vol. 10, No. 1, Maret 2023, Hal. 731-740 E- ISSN 2503-2933 734

2.6.4 Pemodelan

Tahapan ini dimaksudkan untuk melakukan pengujian model klasifikasi dengan menggunakan data tweet yang telah melewati tahap preprocessing. Pemodelan ini menggunakan klasifikasi algoritma Naive Bayes dan Support Vector Machine.

2.6.5 Evaluasi

Tahap evaluasi bertujuan untuk mengetahui nilai dari Accuracy, Precision dan Recall.

Tahap ini menggunakan metode Cross Validation dengan nilai k-folds 10. Adapun rumus untuk menghitung Accuracy, Precision dan Recall sebagai berikut:

100%(1)

100%(2)

100%(3)

3. HASIL DAN PEMBAHASAN 3.1 Pengumpulan Data

Tahapan yang paling krusial dalam melakukan penelitian adalah pengumpulan data karena di sinilah informasi dikumpulkan untuk memenuhi tujuan penelitian [15]. Penelitian ini menggunakan data tweet dari situs jejaring sosial Twitter dan program RapidMiner Studio 9.10.

dengan akses token ke Twitter API.

Gambar 2. Proses Pengambilan Data Twitter

Gambar 2 merupaakan proses pengumpulan data diawali dengan membuat retrieve koneksi Twitter, selanjutnya disambungkan ke operator Search Twitter, pada bagian parameter Search Twitter masukan query dan limit/jumlah data yang akan diambil untuk topik penelitian.

Pada Penelitian ini topik yang diambil yaitu mengenai tweet platform marketplace dengan jumlah data yang diambil sebanyak 1.000 data untuk masing-masing kata kunci pencarian

‘Tokopedia’, ‘Shopee’ dan ‘Lazada’ pada tanggal 18 Oktober sampai tanggal 11 November 2022. Proses selanjutnya yaitu Select Attributes untuk memilih atribut yang akan diambil sebagai data. Adapun dalam penelitian ini hanya atribut teks saja yang dipilih dan selanjutnya data tersebut disimpan menggunakan operator Write Excel.

3.2 Pelabelan

Proses pelabelan dilakukan secara manual untuk menentukan tweet tersebut sentimen positif yang berisi pujian, emosi positif seperti senang, puas, atau bahagia. Sedangkan sentimen negatif berisi keluhan, hinaan, kritik, emosi negatif seperti marah, kesal dan kecewa seperti pada Tabel 1.

(5)

735 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 731-740 E-ISSN 2503-2933

Tabel 1. Pelabelan Data

Tweet Objek Sentimen

@tokopedia mending ilangin kurir rekomendasi dah, kenyataannya ampas banget soalnya

Tokopedia Negatif RT @rzkandinii: @ShopeeID gausah

banyak giveaway2 an, tuh urusin dulu biaya admin?https://t.co/sMcyw7d1OH

Shopee Negatif

@LazadaID Kece banget diskon nya min

?? Lazada Positif

3.3 Preprocessing

Sebelum digunakan untuk implementasi pemodelan, data harus dibersihkan terlebih dahulu untuk menghilangkan noise yang bertujuan untuk membuang data yang tidak diperlukan seperti melakukan Cleansing kata RT, url, hastag, mention, simbol, dan menghapus data duplikat. Tokenizing bertujuan untuk membagi teks dokumen dan menghilangkan data yang bukan huruf. Selanjutnya proses Transform Case yaitu untuk menyeragamkan huruf menjadi huruf kecil (lower case) dan dilanjutkan dengan proses Filter Stopwords yaitu menghapus kata- kata yang tidak relevan dengan memasukan file yang berisi list stopword. Proses Filter Tokens (by Length) juga diperlukan untuk menghapus kata dengan jumlah huruf yang kurang dari 4.

Prepocessing Text ditunjukan pada Tabel 2.

Tabel 2. Preprocessing Text Tahap

Preprocessing Hasil

Data awal RT @rzkandinii: @ShopeeID Gausah banyak giveaway2 an, tuh urusin dulu biaya admin?https://t.co/sMcyw7d1OH

Cleansing Gausah banyak giveaway2 an tuh urusin dulu biaya admin

Tokenizing 'Gausah', 'banyak', 'giveaway', 'an', 'tuh', 'urusin', 'dulu', 'biaya', 'admin' Transform Case 'gausah', 'banyak', 'giveaway', 'an', 'tuh', 'urusin', 'dulu', 'biaya', 'admin' Filter Stopwords 'gausah', 'giveaway', 'an', 'tuh', 'urusin', 'biaya', 'admin'

Filter Tokens

(by Length) 'gausah', 'giveaway', 'urusin', 'biaya', 'admin'

Dibawah ini adalah isi dari file list stopwords yang telah di download dari dari kaggle dan digunakan dalam proses penelitian ini yang ditunjukan Gambar 3.

(6)

Jatisi ISSN 2407-4322

Vol. 10, No. 1, Maret 2023, Hal. 731-740 E- ISSN 2503-2933 736

Gambar 3. File Stopwords 3.4 Pemodelan

Setelah masing-masing dataset tweet melewati tahap preprocessing selanjutnya dilakukan tahap pemodelan. Yang digunakan pada penelitian ini yaitu teknik klasifikasi NB dan SVM.

Gambar 4. dibawah ini adalah gambaran tahapan prosesnya.

Gambar 4. Tahap Proses Model Klasifikasi

(7)

737 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 731-740 E-ISSN 2503-2933

Read Excel pada Gambar 4. digunakan untuk membaca hasil dari pengumpulan data melalui media sosial Twitter dalam jenis file .xls, operator Set Role digunakan untuk menentukan peran label pada dataset yang akan di proses. Selanjutnya proses data yang bernilai nominal diubah menjadi string menggunakan operator Nominal to Text. Setelah itu dilanjutkan menggunakan Process Document lalu dilanjutkan dengan teknik SMOTE Upsampling untuk mengatasi imbalance class, dilanjutkan proses ke operator Multiply yang berfungsi membuat salinan objek sehingga dapat digunakan untuk mengeksekusi dua proses Cross Validation dengan jumlah fold sebanyak 10 secara bersamaan. Pada proses ini pengujian dilakukan sebanyak 10 kali dengan hasil validasi berupa nilai rata-rata pengujian. Menurut penelitian ekstensif dan dukungan teoretis, melakukan Validasi Silang dengan nilai 10 kali lipat adalah pilihan terbaik untuk mendapatkan hasil yang akurat [16]. Adapun untuk gambaran evaluasi untuk algoritma Naive Bayes dan Support Vector Machine seperti Gambar 6 dan Gambar 7.

Gambar 5. Desain Evaluasi Algoritma NB

Gambar 6. Desain Evaluasi Algoritma SVM 3.5 Evaluasi

Tahap evaluasi perlu dilakukan terhadap hasil validasi nilai Accuracy, Class Precision dan Class Recall yang dihasilkan pada proses validasi dari Naive Bayes dan Support Vector Machine pada masing-masing marketplace seperti pada Tabel 3 dan 4.

Tabel 3. Nilai Hasil Validasi Naive Bayes Marketplace Accuracy Precision Recall

Tokopedia 85.34% 100% 70.68%

Shopee 80.04% 98.20% 61.19%

Lazada 83.52% 98.92% 67.77%

(8)

Jatisi ISSN 2407-4322

Vol. 10, No. 1, Maret 2023, Hal. 731-740 E- ISSN 2503-2933 738

Berdasarkan hasil validasi menggunakan algoritma Naive Bayes (NB) pada Tabel 3.

marketplace Tokopedia memiliki nilai accuracy sebesar 85.34%, nilai precision 100% dan nilai recall sebesar 70.68%. Untuk Shopee dengan nilai accuracy 80.04%, nilai precision 98.20%

dan nilai recall 61.19%, sedangkan Lazada memiliki nilai accuracy 83.52%, precision 98.92%

dan recall 67.77%.

Tabel 4. Nilai Hasil Validasi Support Vector Machine Marketplace Accuracy Precision Recall

Tokopedia 86.82% 99.85% 99.89%

Shopee 80.91% 98.07% 63.06%

Lazada 88.93% 96.61% 80.69%

Berdasarkan Tabel 4 adalah hasil dari validasi menggunakan algoritma Support Vector Machine (SVM). Marketplace dengan nilai accuracy 86.82%, precision 99.85% dan recall 99.89% dimiliki Tokopedia. Untuk marketplace Shopee memiliki nilai accuracy 80.91%, nilai precision 98.07% dan nilai recall 63.06%, sedangkan marketplace Lazada dengan nilai 88.93%, precision sebesar 96.61% dan recall sebesar 80.69%.

Berdasarkan perbandingan algoritma NB dan SVM menggunakan data tweet pengguna marketplace pada media sosial Twitter, dapat disimpulkan bahwa algoritma SVM memiliki nilai dengan tingkat akurasi terbaik. Dari hasil nilai tersebut diproyeksikan kedalam bentuk grafik seperti pada Gambar 8 dan Gambar 9.

Gambar 7. Grafik Validasi Algoritma Naive Bayes

85,34% 100,00% 70,68%

80,04% 98,20% 61,19%

83,52% 98,92% 67,77%

0,00%

20,00%

40,00%

60,00%

80,00%

100,00%

120,00%

Accuracy Precision Recall Hasil Validasi Menggunakan NB

Tokopedia Shopee Lazada

86,82% 99,85% 99,89%

80,91% 98,07% 63,06%88,93% 96,61% 80,69%

0,00%

20,00%

40,00%

60,00%

80,00%

100,00%

120,00%

Accuracy Precision Recall Hasil Validasi Menggunakan SVM

Tokopedia Shopee Lazada

(9)

739 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 731-740 E-ISSN 2503-2933

4. KESIMPULAN

Berdasarkan temuan penelitian dan pengujian yang dilakukan dengan menggunakan algoritma Naive Bayes dan Support Vector Machine pada data twitter dari marketplace Tokopedia, Shopee, dan Lazada. Menurut temuan perbandingan, algoritma SVM lebih akurat daripada metode NB. Dimana nilai akurasi Tokopedia menggunakan algoritma NB sebesar 85.34%, dan nilai akurasi menggunakan SVM 86.82%, untuk nilai akurasi Shopee menggunakan NB sebesar 80.04%, nilai akurasi menggunakan SVM 80.91%. dan Lazada yang menggunakan algoritma NB mempunyai nilai akurasi 83.52%, sedangkan nilai akurasi menggunakan SVM 88.93% yang artinya penggunaan algoritma SVM memiliki tingkat akurasi terbaik.

5. SARAN

Saran untuk untuk penelitian selanjutnya bisa menggunakan perbandingan algoritma klasifikasi yang lebih banyak lagi untuk mengetahui algoritma terbaik.

DAFTAR PUSTAKA

[1] D. Darmawan and A. R. Putra, “Pengalaman Pengguna, Keamanan Transaksi, Kemudahan Penggunaan, Kenyamanan, dan Pengaruhnya Terhadap Perilaku Pembelian Online Secara Impulsif,” Relasi J. Ekon., Vol. 18, No. 1, pp. 26–45, 2022, doi: 10.31967/relasi.v18i1.523.

[2] “Simak 10 Marketplace di Indonesia yang Terlaris dan Paling Banyak di Kunjungi di Kuartal Pertama 2022.” https://www.idxchannel.com/milenomic/simak-10- marketplace-di-indonesia-yang-terlaris-dan-paling-banyak-dikunjungi-di-kuartal-

pertama-2022 (accessed Oct. 28, 2022).

[3] “Kementerian Komunikasi dan Informatika.”

https://www.kominfo.go.id/index.php/content/detail/3415/Kominfo+%3A+Pengguna+In ternet+di+Indonesia+63+Juta+Orang/0/berita_satker (accessed Oct. 28, 2022).

[4] M. Azhar, N. Hafidz, B. Rudianto, and W. Gata, “Marketplace Sentiment Analysis Using Naive Bayes and Support Vector Machine,” PIKSEL Penelit. Ilmu Komput. Sist. Embed.

Log., Vol. 8, No. 2, pp. 91–100, 2020, doi: 10.33558/piksel.v8i2.2272.

[5] H. Irsyad and M. R. Pribadi, “Klasifikasi Opini Terhadap Pertanian Sawit (Palm Oil) Indonesia Menggunakan Naïve Bayes,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), Vol. 6, No. 2, pp. 230–239, 2020, doi: 10.35957/jatisi.v6i2.182.

[6] M. R. Pribadi, H. D. Purnomo, Hendry, K. D. Hartomo, I. Sembiring, and A. Iriani,

“Improving The Accuracy of Text Classification Using The Over Sampling Technique in The Case of Sinovac Vaccine,” Int. Conf. Electr. Eng. Comput. Sci. Informatics, vol.

2022-October, pp. 106–110, 2022, doi: 10.23919/EECSI56542.2022.9946508.

[7] M. Intan Pratiwi Hant and Hendry, “Data Mining Technique Using Naïve Bayes Algorithm To Predict Shopee Consumer Satisfaction Among Millennial Generation,” J.

(10)

Jatisi ISSN 2407-4322

Vol. 10, No. 1, Maret 2023, Hal. 731-740 E- ISSN 2503-2933 740

Tek. Inform., Vol. 3, No. 4, pp. 829–838, 2022, [Online]. Available:

https://doi.org/10.20884/1.jutif.2022.3.4.295.

[8] R. A. Permana and S. Sahara, “Review Analisis Produk Marketplace Online pada Algoritma Support Vector Machine,” J. Ilm. Inform., Vol. 6, No. 1, pp. 50–58, 2021, doi:

10.35316/JIMI.V6I1.1227.

[9] A. Andreyestha and Q. N. Azizah, “Analisa Sentimen Kicauan Twitter Tokopedia Dengan Optimalisasi Data Tidak Seimbang Menggunakan Algoritma SMOTE,” Infotek J. Inform. dan Teknol., Vol. 5, No. 1, pp. 108–116, 2022, doi: 10.29408/jit.v5i1.4581.

[10] S. Samsir, A. Ambiyar, U. Verawardina, F. Edi, and R. Watrianthos, “Analisis Sentimen Pembelajaran Daring pada Twitter di Masa Pandemi COVID-19 Menggunakan Metode Naïve Bayes,” J. Media Inform. Budidarma, Vol. 5, No. 1, pp. 157–163, 2021, doi:

http://dx.doi.org/10.30865/mib.v5i1.2580.

[11] D. A. Agustina, S. Subanti, and E. Zukhronah, “Implementasi Text Mining pada Analisis Sentimen Pengguna Twitter Terhadap Marketplace di Indonesia Menggunakan Algoritma Support Vector Machine,” Indones. J. Appl. Stat., Vol. 3, No. 2, p. 109, 2021, doi: 10.13057/ijas.v3i2.44337.

[12] R. Rachman and R. N. Handayani, “Klasifikasi Algoritma Naive Bayes Dalam Memprediksi Tingkat Kelancaran Pembayaran Sewa Teras UMKM,” J. Inform., Vol. 8, No. 2, pp. 111–122, 2021, doi: 10.31294/ji.v8i2.10494.

[13] R. W. Pratiwi, S. F. H, D. Dairoh, D. I. Af’idah, Q. R. A, and A. G. F, “Analisis Sentimen pada Review Skincare Female Daily Menggunakan Metode Support Vector Machine (SVM),” J. Informatics, Inf. Syst. Softw. Eng. Appl., Vol. 4, No. 1, pp. 40–46, 2021, doi: 10.20895/inista.v4i1.387.

[14] E. Fitri, Y. Yuliani, S. Rosyida, and W. Gata, “Analisis Sentimen Terhadap Aplikasi Ruangguru Menggunakan Algoritma Naive Bayes, Random Forest dan Support Vector Machine,” J. Transform., Vol. 18, No. 1, pp. 71–80, 2020, doi:

10.26623/transformatika.v18i1.2317.

[15] A. L. Hananto, B. Priyatna, A. Fauzi, A. Yuniar Rahman, Y. Pangestika, and Tukino,

“Analysis of The Best Employee Selection Decision Support System Using Analytical Hierarchy Process (AHP),” J. Phys. Conf. Ser., Vol. 1908, No. 1, 2021, doi:

10.1088/1742-6596/1908/1/012023.

[16] H. S. Utama, D. Rosiyadi, B. S. Prakoso, and D. Ariadarma, “Analisis Sentimen Sistem Ganjil Genap di Tol Bekasi Menggunakan Algoritma Support Vector Machine,” J.

RESTI (Rekayasa Sist. dan Teknol. Informasi), Vol. 3, No. 2, pp. 243–250, 2019, doi:

10.29207/resti.v3i2.1050.