KOMPARASI METODE PELABELAN OTOMATIS TEXTBLOB DAN VADER PADA ANALISIS SENTIMEN ULASAN APLIKASI DANA DENGAN SUPPORT VECTOR MACHINE

Ulasan pada aplikasi DANA harus dipertimbangkan karena ada banyak aplikasi dompet digital lain yang memiliki total download dan rating hampir sama dengan aplikasi DANA, sehingga tidak relevan dengan penilaian terhadap aplikasi. Umumnya rating dan ulasan tersebut tidak dapat dijadikan acuan untuk menilai aplikasi karena ketidaksesuaian rating dan ulasan yang diberikan. Selain itu, dalam beberapa studi Vader dan Textblob menunjukkan bahwa kedua metode ini memiliki perbedaan dalam akurasi. Vader lebih akurat untuk teks singkat dan informal seperti tweet, sedangkan Textblob lebih cocok untuk teks panjang dan formal. Metode pelabelan otomatis ini menghasilkan distribusi label sentimen yang berbeda dibandingkan pelabelan manual, dengan masing-masing memiliki kecenderungan unik dalam mengklasifikasikan teks sebagai positif, negatif, atau netral. Tujuan dari penelitian ini yaitu menganalisis perbandingan performa pelabelan otomatis antara Textblob dan Vader terhadap algoritma SVM dalam analisis sentimen ulasan DANA. Penelitian yang dilakukan menggunakan metode pelabelan Textblob dan Vader dan algoritma klasifikasi SVM. Berdasarkan hasil pelabelan menggunakan Textblob terdapat 4.898 data label positif, 1.790 data label netral dan 3.992 data label negatif. Sementara pelabelan Vader terapat 5.461 data label positif, 1.035 data label netral dan 4.184 data label negatif. Kedua metode tersebut cenderung menghasilkan data kelas sentimen positif lebih banyak dibandingan data kelas sentimen netral dan negatif. Berdasarkan pengujian performa menunjukan metode pelabelan otomatis Textblob dan Vader pada klasifikasi SVM menghasilkan nilai akurasi 80,48%, presisi 80,37%, recall 80,48% dan f1-score 80,40% untuk performa dari pelabelan Textblob. Nilai yang dihasilkan cukup rendah jika dibandingkan dengan data ulasan yang menerapkan pelabelan Vader yang menghasilkan nilai akurasi 81,65%, presisi 80,77%, recall 81,65% dan f1-score 80,59%. Hasil tersebut membuktikan bahwa performa pelabelan Vader lebih unggul dibandingkan pelabelan Textblob pada klasifikasi SVM. Hasil tersebut dipengaruhi oleh beberapa faktor diantaranya, metode pelabelan Vader dioptimalkan untuk pemrosesan slang, kata-kata non-standar, dan emoticon, sementara Textblob hanya memproses teks formal. Vader juga mampu mengenali konteks penting dalam kalimat, memungkinkannya untuk menginterpretasikan makna sebuah kata dalam konteksnya.

Kata Kunci: analisis sentimen, dana, support vector machine, textblob, vader