Analisis Sentimen berbasis Aspek terhadap Ulasan Hotel Tentrem Yogyakarta menggunakan Algoritma Random Forest Classifier

Fakultas Ilmu Komputer

Universitas Brawijaya 1702

Analisis Sentimen berbasis Aspek terhadap Ulasan Hotel Tentrem Yogyakarta menggunakan Algoritma Random Forest Classifier

Hana Chyntia Morama¹, Dian Eka Ratnawati², Issa Arwani³

Program Studi Teknologi Informasi, Fakultas Ilmu Komputer, Universitas Brawijaya Email: ¹hanachyntia@student.ub.ac.id, ²dian_ilkom@ub.ac.id, ³issa.arwani@ub.ac.id

Abstrak

Perkembangan pariwisata mengalami peningkatan kunjungan yang linier dengan industri perhotelan di Indonesia. Salah satu hotel bintang lima yang populer adalah Hotel Tentrem Yogyakarta. Banyaknya data ulasan hotel tersebut membuat pengunjung bingung untuk mengambil keputusan secara tepat.

Analisis sentimen dapat mengatasi masalah tersebut dengan cara mengolah data teks ulasan yang tidak berstruktur menjadi informasi yang bernilai positif, negatif ataupun netral. Kategori aspek juga dilakukan agar pengunjung lebih mudah dalam mencari ulasan sesuai dengan tujuannya. Aspek yang digunakan pada penelitian ini yaitu aspek kamar, aspek pelayanan, aspek lokasi, aspek kolam renang, dan aspek gym. Data ulasan hotel diperoleh dengan teknik scraping menggunakan Webscraper.io pada situs Tripadvisor. Klasifikasi dilakukan menggunakan algoritma Random Forest Classifier dan pembobotan kata Term Frequency-Inverse Document Frequency (TF-IDF). Setelah dilakukan analisa pengujian, aspek yang digunakan hanya aspek kamar karena memilki proporsi sentimen yang seimbang dibanding aspek lainnya. Proporsi sentimen dinilai penting dalam klasifikasi sentimen. Pengujian dilakukan berdasarkan skenario parameter jumlah tree dan kedalaman tree. Jumlah tree yang digunakan pada penelitian ini sebanyak 300 dan kedalaman tree 10. Hasil pengujian membuktikan bahwa semakin besar jumlah tree dan kedalaman tree maka semakin baik hasil prediksi. Hasil klasifikasi terbaik kedua parameter terhadap aspek kamar yaitu 90% untuk nilai akurasi dan skor f1-nya.

Kata kunci: Analisis Sentimen, Web Scraping, Data Mining, Random Forest.

Abstract

The development of tourism has increased visits in tune with the hospitality industry in Indonesia. One of the popular five-star hotels is Hotel Tentrem Yogyakarta. The large number of hotel review data makes visitors confused to make the right decision. Sentiment analysis can overcome this problem by processing review text data which was initially unstructured into information that has positive, negative or neutral values. In addition, aspect categorization is also carried out so that it is easier for visitors to find reviews according to their purpose. The aspects used in this research are room aspects, service aspects, location aspects, swimming pool aspects, and gym aspects. Hotel review data was obtained by scraping using the Webscraper.io tool on the Tripadvisor website. Classification was carried out using the Random Forest Classifier algorithm and term frequency-inverse document frequency (TF-IDF) word weighting. After analyzing the test, the aspect that is used is only the room aspect because it has a balanced proportion of sentiment compared to other aspects. The proportion of sentiment is considered important in the classification of sentiment. The test is carried out based on the parameter scenario of the number of trees and the depth of the tree. The number of trees used in this study is 300 and the depth of the tree is 10. The test results prove that the greater the number of trees and the depth of the tree, the better the prediction results. The best classification results in the room aspect is 90% for the accuracy value and the f1 score.

Keywords: Sentiment Analysis, Web Scraping, Data Mining, Random Forest.

1. PENDAHULUAN

Sektor pariwisata adalah sektor yang

memiliki potensi untuk diperluas karena menciptakan lapangan kerja dan meningkatkan pendapatan (Bappenas, 2011). Salah satu

pondasi yang mendukung pembangunan sektor pariwisata adalah industri perhotelan. Internet membantu calon pengunjung menjadi lebih mudah untuk mencari informasi ulasan hotel yang akan dikunjungi. Menurut (Liu, 2012), Teks ulasan mendukung customer dalam membangun patokan terkait informasi produk dan mengurangi biaya kognitif untuk calon customer dalam membuat keputusan.

Banyaknya ulasan terkadang membuat calon pengunjung menjadi kebingungan untuk mengambil keputusan yang tepat. Cara yang dapat digunakan untuk menganalisis dan mengolah teks ulasan atau review adalah analisis sentimen. Analisis sentimen merupakan proses mengekstrak dan mengolah data berupa teks yang awalnya tidak terstruktur menjadi informasi yang bernilai positif maupun negatif.

Menurut (Liu, 2012), sentiment analysis memiliki tujuan menganalisa opini, sentimen, evaluasi, sikap, penilaian dan emosi seseorang apakah pembaca atau penulis berkenan dengan suatu topik, produk, layanan, organisasi, individu, ataupun kegiatan tertentu. Analisis sentimen berbasis aspek digunakan untuk mengklasifikasikan ulasan pengunjung terhadap hotel secara tepat.

Penelitian ini fokus membahas mengenai Analisis Sentimen terhadap ulasan dari situs Tripadvisor berbasis aspek terhadap Hotel Tentrem di Yogyakarta. Pembobotan kata menggunakan metode Term Frequency - Inverse Document Frequency karena dinilai metode ini merupakan kombinasi metode yang telah terbukti menghasikan tingkat akurasi tinggi dan mudah diimplementasikan (Qaiser & Ali, 2018).

Data ulasan pengunjung diperoleh menggunakan teknik Web Scraping. Ulasan tersebut nantinya akan dilakukan pelabelan sentimen positif, netral, negatif dan dikategorikan ke dalam 5 aspek.

Penelitian yang serupa oleh (Amien et al., 2021) menganalisis ulasan pelanggan dengan Aspect Based Sentiment Analysis (ABSA) untuk mengetahui polaritas dari berbagai aspek.

Penelitian level aspek dilakukan dengan membandingkan kinerja dari tiga algoritma machine learning, yaitu Naïve Bayes, Support Vector Machine, dan Random Forest. Dataset menggunakan tiga domain, yaitu restoran, e- commerce, dan hotel. Pada domain hotel terdiri dari aspek AC, air panas, bau, general, kebersihan, handuk, pelayanan, sarapan, tv, dan Wi-Fi. Domain hotel menggunakan Random Forest memiliki nilai recall dan f1-score

tertinggi, yaitu 87% dan 89,3% dibandingkan algoritma lainnya. Dihasilkan secara keseluruhan domain, algoritma Random Forest menghasilkan nilai tertinggi dengan nilai precision 79,3%, recall 91,3%, dan f1-score 84,3%. Selain itu, menurut (Fauzi, 2018) telah dibuktikan bahwa klasifikasi sentimen dalam Bahasa Indonesia menggunakan Random Forest memberikan kinerja yang baik.

Berdasarkan permasalahan yang telah dipaparkan, maka diusulkan sebuah penelitian analisis sentimen berbasis aspek pada ulasan hotel Tentrem yang berlokasi di Yogyakarta menggunakan algoritma Random Forest untuk mengetahui polaritas sentimen terhadap aspek pelayanan, aspek lokasi, aspek kamar, aspek kolam renang, dan aspek gym. Diharapkan kedepannya industri perhotelan dapat memanfaatkan penelitian ini untuk meningkatkan dan mengembangkan kualitas aspek hotel yang dinilai kurang dan pelanggan dapat memilih hotel yang tepat sesuai preferensi masing – masing.

2. LANDASAN KEPUSTAKAAN 2.1 Data Mining

Data Mining ialah proses mengekstrak suatu informasi prediktif tersembunyi pada database dengan metode tertentu (Lee & Santana, 2010).

Penentuan metode yang tepat akan sesuai dengan hasiI dan proses KnowIedge Discovery in Database (KDD). Perusahaan di era sekarang sudah wajib untuk menerapkan data mining jika ingin sukses karena perusahaan besar sekaIipun akan mengaIami penurunan jika tidak membuat rencana untuk prospek bisnis ke depan.

2.2 Text Mining

Text Mining menurut (Feldman & Sanger, 2007) merupakan proses kIasifikasi untuk mendapatkan informasi yang terdapat dari sekumpulan teks berskaIa besar dengan cara melakukan identifikasi pola. Tujuan utama dari Text Mining yaitu mengidentifikasi fitur secara efisien dengan cara melakukan komputasi penemuan pola yang menekankan penyederhanaan set fitur representatif terhadap kosa kata.

2.3 Text Preprocessing

Text preprocessing merupakan sekumpulan teks yang akan dipecah menjadi unsur lebih penting sesuai dengan kebutuhan penelitian. Dokumen

dipecah menjadi bab, sub-bab, paragraf, kalimat, kata dan suku kata (Feldman & Sanger, 2007).

Pada penelitian ini text preprocessing memiliki tujuh tahapan, yaitu formalisasi dan translasi, case folding, remove number, remove punctuation, remove whitespace, tokenication, stopword removal, dan stemming.

2.4 Analisis Sentimen

Menurut (Akbari et al., 2017) Analisis sentimen adalah bagian dari cabang iImu text mining, natural language program, dan artificial intelegence. Analisis sentimen mengalami beberapa proses yang bertujuan untuk memahami, ekstraksi data serta mengolah data teks menjadi suatu informasi yang bermanfaat.

Analisis Sentimen dibagi menjadi 3 level, antara lain :

a). Level Dokumen

Analisis sentimen level dokumen ini adalah mengklasifikasikan kelas positif, netral, maupun negatif terhadap sebuah dokumen secara menyeluruh (Schneider, 2005).

b). Level Kalimat

Analisis sentimen pada level aspek memiliki tujuan untuk menentukan sentimen positif atau negatif berdasarkan suatu kalimat dengan mempertimbangkan penyusunan kata dari kalimat tersebut.

c). Level Aspek

Analisis sentimen pada level aspek memiliki tujuan untuk menentukan sentimen positif, negatif ataupun netral berdasarkan atribut dari suatu entitas. Penelitian ini menerapkan level aspek yang akan mengkategorikan ulasan sesuai dengan aspek yang telah ditentukan.

2.5 Pembobotan Kata

Pembobotan kata (term) dibutuhkan untuk memberikan bobot pada setiap kata (term) yang terdapat pada dokumen teks yang akan diproses.

Langkah – langkah yang dilakukan dalam perhitungan TF-IDF adalah :

1. Perhitungan Term Frequency (TF) merupakan frekuensi atau banyaknya kemunculan kata pada suatu dokumen teks sesuai dengan Persamaan (1)

𝑡𝑓_𝑡.𝑑= {1 + 𝑙𝑜𝑔₁₀ 𝑡𝑓_𝑡.𝑑 , 𝑖𝑓 𝑡𝑓_𝑡.𝑑 > 0 } (1) 2. Inverse Document Frequency (IDF)

merupakan jumlah kemunculan term pada keseluruhan dokumen sesuai dengan Persamaan (2)

𝑖𝑑𝑓𝑡 = 𝑙𝑜𝑔10 (_𝑑𝑓^𝑁

(𝑡)) (2)

3. Pembobotan dengan TF-IDF dapat dilakukan dengan Persamaan (3)

𝑡𝑓 - 𝑖𝑑𝑓_𝑡𝑑= 𝑡𝑓_𝑡𝑑 x 𝑖𝑑𝑓_𝑡 (3) 2.6 Web Scraping

Web Scraping merupakan proses pengambiIan sebuah dokumen dari internet yang biasanya berbentuk halaman web dalam bahasa markup seperti HTML dan XHTML, dan menganalisis dokumen tersebut untuk diambil datanya sesuai dengan kebutuhan (Turland, 2010).

2.7 Algoritma Random Forest

Algoritma Random Forest adalah pengklasifikasi yang menghasilkan lebih dari satu pohon keputusan (decision tree) menggunakan subset sampel dan variabel data latih yang dipilih secara random yang dapat meningkatkan akurasi (Story & Congalton, 1986). Proses dalam membuat pohon keputusan, antara lain :

1. Menentukan jumlah tree yang ingin dibentuk.

2. Perhitungan gini impurity.

3. Perhitungan information gain pada setiap kemungkinan pertanyaan saat splitting.

4. Nilai information gain tertinggi menjadi root.

Mengulang langkah ke-2 sampai langkah ke-4 sampai k tree.

2.8 Confusion Matrix

Hasil perhitungan pengujian menggunakan metode Confusion Matrix dan algoritma Random forest dengan model precision, recall, dan f1- score. Pada matriks ini terdapat informasi tentang kelas aktual dan kelas prediksi yang diperoleh dari algoritma klasifikasi (Story &

Congalton, 1986). Menghitung error matrix, perlu mendapat nilai prediksi yang dapat dibandingkan dengan nilai target. Informasi yang didapatkan dari matriks ini adalah untuk menghitung seberapa besar kelas sentimen dikategorikan sebagai kelas itu sendiri atau menjadi kelas lain (Nandi & Ahmed, 2020).

Confusion Matrix dengan tiga kelas sentimen memuat sembilan kejadian ketika proses pengujian masing – masing kelas seperti pada Tabel 1.

Tabel 1. Confusion Matrix prediksi

positif

prediksi netral

prediksi negatif aktual

positif true positif false positif false positif

aktual

netral false netral True netral false netral aktual

negatif

false negatif

false

negatif true negatif

3. METODOLOGI 3.1. Metodologi Penelitian

Penelitian ini menggunakan algoritma Random Forest Classifier dalam melakukan analisis klasifikasi sentimen terhadap ulasan hotel. Tahapan Metodologi ada delapan yaitu studi literatur, pengumpulan data, kategorisasi aspek dan pelabelan data, text preprocessing, pembobotan kata, klasifikasi sentimen, analisis dan pengujian hasil klasifikasi dan kesimpulan serta saran. Diagram alir metodologi penelitian dapat dilihat pada Gambar 1.

Gambar 1. Diagram Alir Metodologi Penelitian

3.2. Pengumpulan Data

Pada tahap ini pengumpulan data, data yang digunakan berupa data ulasan dengan Bahasa Indonesia pada Hotel Tentrem di Yogyakarta melalui situs TripAdvisor yang mulai dilakukan pada tanggal 18 September 2021 sampai 20 September 2021 Pengumpulan data dilakukan menggunakan teknik Web Scraping dengan tools

Webscraper.io. Atribut data yang diambil yaitu nama pemilik ulasan dan teks ulasan.

4. ANALISIS DAN PENGUJIAN 4.1 Analisis Deskriptif

Hasil scraping data ulasan terdiri dari beberapa aspek yaitu aspek pelayanan, aspek kamar, aspek gym, aspek lokasi, dan aspek kolam renang.

Jumlah data hasil scraping adalah 1.428 data ulasan. Ulasan tersebut di pecah apabila suatu ulasan mengandung dua atau lebih kategori aspek sesuai dengan kategori aspeknya. Jumlah data setelah dipecah menjadi 1.916 data ulasan. Jumlah ulasan setiap aspek serta proporsi sentimen positif, netral, dan negatif dapat dilihat pada Tabel 2.

Tabel 2. Hasil Klasifikasi Sentimen

Aspek -1 0 1

Kamar 110 102 110

Lokasi 20 74 99

Pelayanan 47 18 987

Kolam Renang 10 30 214

Gym 1 13 81

Berdasarkan Tabel 2, aspek dengan jumlah data ulasannya yang paling seimbang yaitu aspek kamar. Aspek lainnya memiliki proposi jumlah sentimen yang tidak memiliki keseimbangan dan akan mengurangi kinerja klasifikasi Random Forest Classifier (Fadilah et al., 2018).

4.2 Hasil Pengujian

Skenario pada penelitian ini yang akan diuji, yaitu parameter jumlah tree dan batas maksimal kedalaman tree. Hasil pengujian bertujuan untuk mengetahui pengaruh parameter tersebut terhadap hasil prediksi Random Forest.

Pengujian dilakukan dengan uji coba sebanyak 5 kali untuk setiap parameternya. Uji coba tersebut akan di rata rata. Pengujian akan diimplementasikan pada aspek kamar sebagai aspek yang memiliki proporsi sentimen yang seimbang. Aspek lokasi dan aspek kolam renang sebagai apek yang memiliki proporsi sentimen tidak seimbang.

4.2.1 Aspek Kamar

Pengujian pada aspek kamar menggunakan ulasan yang berisi tanggapan pengunjung terhadap kondisi kamar pada hotel, dapat dilihat dari sisi kesesuaian dan kenyamanan

pengunjung. Hasil pengujian confusion matrix berdasarkan parameter jumlah tree dan kedalaman tree pada aspek kamar dapat dilihat pada Tabel 3

Tabel 3. Hasil Pengujian Aspek Kamar Tree

Parameter Jumlah Tree Akurasi Precision Recall F1-

Score

100 87% 88% 87% 87%

200 89% 90% 89% 89%

300 90% 91% 90% 90%

Kedalaman Tree

5 84% 86% 84% 84%

7 86% 88% 86% 86%

10 90% 92% 90% 90%

4.2.2 Perbandingan Accuracy terhadap Proporsi Sentimen

Pengujian ini dilakukan untuk menganalisis apakah proporsi sentimen mempengaruhi nilai accuracy pada sistem prediksi Random Forest.

Pengujian ini menggunakan parameter terbaik dari analisis hasil pengujian aspek kamar yaitu jumlah tree 300 dan kedalaman tree 10.

Perbandingan proporsi sentimen ketiga aspek dalam persentase dapat dilihat pada Tabel 4.

Tabel 4. Persentase Perbandingan Proporsi Sentimen Aspek

Proporsi

Sentimen Persentase Perbandingan + 0 -1

Lokasi 99 74 20 51% 39%:10%

Kolam

Renang 81 13 1 85%:14%:1%

Kamar 110 102 110 34%:32%:34%

Grafik Hasil pengujian nilai accuracy pada aspek lokasi dan aspek kolam renang dapat dilihat pada Gambar 2

Gambar 2. Perbandingan accuracy terhadap proporsi sentimen

Berdasarkan Gambar 3, Accuracy pada aspek lokasi bernilai rendah karena memiliki proporsi sentimen negatif yang tidak seimbang dengan sentimen lainnya. Nilai recall, precision, dan recall untuk sentimen negatif bernilai 0. Hal itu mengakibatkan sistem tidak melibatkan sentimen negatif untuk perhitungan nilai accuracy. Aspek kolam renang juga memiliki nilai accuracy yang unreal karena sistem tidak melibatkan sentimen negatif dan sentimen netral dalam melakukan perhitungan accuracy. Aspek kamar memiliki nilai accuracy yang tinggi karena proporsi sentimen yang seimbang dalam perhitungan accuracy.

4.3 Analisa Hasil Pengujian

Analisa hasil pengujian hanya dilakukan pada aspek kamar aspek lainnya telah diuji bernilai rendah karena proporsi sentimen yang tidak seimbang. Rangkuman hasil pengujian menggunakan dua metode evaluasi yaitu accuracy dan f1 score. Bertujuan untuk mengetahui seberapa baik model prediksi yang telah dibuat. F1 score merupakan rata – rata dari nilai precision dan recall. Rangkuman hasil dari pengujian yang telah dilakukan dalam grafik dapat dilihat pada Tabel 5

Tabel 5. Rangkuman Hasil Pengujian Skenario Pengujian Jumlah Tree Skenario ke- Accuracy F1 Score Skenario 1 = 100 87% 87%

Skenario 2 = 200 89% 89%

Skenario 3 = 300 90% 90%

Skenario Pengujian Kedalaman Tree

Skenario 1 = 5 84% 84%

Skenario 2 = 7 86% 86%

Skenario 3 = 10 90% 90%

0%

20%

40%

60%

80%

100%

Accuracy

Perbandingan Accuracy terhadap Proporsi Sentimen

Lokasi Kolam Renang Kamar

Hasil pengujian dalam bentuk grafik dapat dilihat pada Gambar 3 dan Gambar 4

Gambar 3. Pengujian Jumlah Tree

Pada Gambar 4, Parameter jumlah tree memberi pengaruh terhadap hasil dari sistem prediksi.

Hasil pengujian terbaik pada skenario pengujian jumlah tree yaitu nilai accuracy 90% dan f1 score 90%. Hasil tersebut diperoleh yaitu skenario 3 dengan jumlah tree terbesar dibanding skenario lainnya. Hal tersebut dapat disimpulkan bahwa semakin besar jumlah tree maka semakin baik hasil prediksi yang didapatkan.

Gambar 4. Pengujian Kedalaman Tree Berdasarkan Gambar 5, Parameter kedalaman tree juga memberikan pengaruh pola yang sama seperti parameter jumlah tree. Nilai terbaik yaitu accuracy 90% dan f1-score 90% pada skenario kedalaman lebih besar dibanding lainnya.

5. PENUTUP

Kesimpulan

Berdasarkan perancangan dan hasil analisis yang telah dipaparkan dapat diambil beberapa kesimpulan dari penelitian ini, yaitu :

1) Data ulasan pengujung Hotel Tentrem Yogyakarta didapatkan melalui teknik web scraping dengan tools Webscraper.io. Hasil scraping yang diperoleh adalah 1428 data ulasan. Data tersebut dikategorikan sesuai aspeknya kemudian dilakukan pelabelan sentimen positif, netral, dan negatif.

2) Penerapan algoritma Random Forest Classifier dalam pengklasifikasikan data ulasan pengujung hotel hanya dilakukan pada aspek kamar karena memiliki proporsi sentimen yang mendekati idealnya yaitu 34%:32%:34%. Sistem prediksi menghasilkan nilai yang baik dengan nilai akurasi dan skor f1 yang sama yaitu 90%.

Nilai tersebut menggunakan parameter jumlah tree dan kedalaman tree terbaik yang memiliki pengaruh penting terhadap hasil prediksi

Saran

Adapun saran yang diberikan untuk mendapatkan hasil yang lebih baik pada penelitian selanjutnya, antara lain:

Membandingkan hasil pengujian menggunakan algoritma klasifikasi lain untuk memperoleh hasil yang lebih baik dan melakukan implementasi untuk mengatasi data dengan proporsi sentimen yang tidak seimbang.

6. DAFTAR PUSTAKA

Akbari, M. I. H. A. D., Novianty, A., & Casi, S.

(2017). Analisis Sentimen Menggunakan Metode Learning Vector Quantization Sentiment Analysis Using Learning Vector Quantization Method. E- Proceeding of Engineering, 4(2), 2283–

2292.

Amien, S., Perdana, P., Aji, T. B., & Ferdiana, R. (2021). Aspect Category Classification dengan Pendekatan Machine Learning Menggunakan Dataset Bahasa Indonesia ( Aspect Category Classification with Machine Learning Approach Using Indonesian Language Dataset ). 10(3), 229–235.

Bappenas. (2011). Potensi Pariwisata Indonesia

Harus Dikembangkan.

https://www.bappenas.go.id/id/berita-

85%

86%

87%

88%

89%

90%

91%

Skenario 1 = 100

Skenario 2 = 200

Skenario 3 = 300

Pengujian Jumlah Tree

Accuracy F1 Score

0,81 0,82 0,83 0,84 0,85 0,86 0,87 0,88 0,89 0,9 0,91

Skenario 1 = 100

Skenario 2 = 200

Skenario 3 = 300

Pengujian Kedalaman Tree

Accuracy F1 Score

dan-siaran-pers/features/potensi- pariwisata-indonesia-harus- dikembangkan/.

Fadilah, L., Pamungkas, S. A., & Liebenlito, M.

(2018). Klasifikasi Random Forest pada Data Imbalance.

Feldman, R., & Sanger, J. (2007). The Text Mining HandBook.

Lee, F., & Santana, J. (2010). Data Mining - Meramalkan Bisnis Perusahaan. PT Elex Media Komputindo.

Liu, B. (2012). Sentiment Analysis and Opinion Mining (Issue April). Morgan &

Claypool.https://doi.org/10.1142/978981 3100459_0007.

Nandi, A. ., & Ahmed, H. (2020). Condition Monitoring with Vibration Signals. John Wiley & Sons Ltd.

Qaiser, S., & Ali, R. (2018). Text Mining: Use of TF-IDF to Examine The Relevance of Words to Documents. International Journal of Computer Applications, 181(1), 25-29.

Saputro, I. W., & Sari, B. W. (2020). Uji Performa Algoritma Naïve Bayes untuk Prediksi Masa Studi Mahasiswa. Creative Information Technology Journal, 6(1), 1.

Story, M., & Congalton, R.G. (1986). Remote Sensing Brief Accuracy Assesment: A User’s Perspective. Photogrammetric Engineering and Remote Sensing, 52(3), 397-399.

Turland, M. (2010). Architect’s guide to web scraping with php.

Fauzi, M. A. (2018). Random forest approach fo sentiment analysis in Indonesian language. Indonesian Journal of Electrical Engineering and Computer

Science, 12(1), 46–50.

https://doi.org/10.11591/ijeecs.v12.i1.pp4 6-50.