Jurnal - core.ac.uk · Kata Pengantar Puji syukur ke ... Kata sentimen positif digunakan untuk...

TEXT MINING DENGAN METODE LEXICON BASED UNTUK

SENTIMENT ANALYSIS PELAYANAN PT. POS INDONESIA MELALUI

MEDIA SOSIAL TWITTER

Jurnal

Diajukan kepada

Fakultas Teknologi Informasi

Untuk Memperoleh Gelar Master of Computer Science

Oleh:

Febrilien Matresya Matulatuwa

972012004

Program Studi Magister Sistem Informasi


Universitas Kristen Satya Wacana

Salatiga

September 2017

i

Text Mining dengan Metode Lexicon Based untuk

Sentiment Analysis Pelayanan PT. POS Indonesia Melalui

Media Sosial Twitter

Jurnal

Diajukan kepada


untuk memperoleh Gelar Master of Computer Science

Oleh:


NIM : 972012004

Program Studi Magister Sistem Informasi


Universitas Kristen Satya Wacana

Salatiga

September 2017

ii

Pernyataan Tidak Plagiat

iii

Pernyataan Persetujuan Akses

iv

Lembar Persetujuan Pembimbing

v

Lembar Pengesahan

vi

Kata Pengantar

Puji syukur ke hadirat ALLAH BAPA, TUHAN YESUS, DAN ROH KUDUS atas kasih

anugerah serta penyertaan-Nya sehingga penulis dapat menyelesaikan laporan tesis yang

berjudul “Text Mining dengan Metode Lexicon Based untuk Sentiment Analysis Pelayanan

PT. POS Indonesia Melalui Media Sosial Twitter”. Laporan tesis ini diajukan sebagai

persyaratan dalam memperoleh gelar Master of Computer Science (M.Cs) pada Program Studi

Magister Sistem Informasi, Fakultas Teknologi Informasi Universitas Kristen Satya Wacana.

Laporan tesis ini dapat selesai berkat bantuan dari berbagai pihak yang telah

memberikan bimbingan, ide, dan berbagai dukungan lainnya kepada penulis. Oleh karena itu,

pada kesempatan ini penulis ingin mengucapkan terima kasih yang sebesar-besarnya kepada:

1. Bapak Dr. Dharmaputra T. Palekahelu, M.Pd., selaku Dekan Fakultas Teknologi

Informasi, Universitas Kristen Satya Wacana, Salatiga. Tuhan Yesus Berkati.

2. Bapak Prof. Ir. Danny Manongga, M.Sc., Ph.D., selaku Ketua Program Studi Magister

Sistem Informasi, Fakultas Teknologi Informasi, Universitas Kristen Satya Wacana,

Salatiga dan juga selaku dosen penguji pertama ujian akhir. Tuhan Yesus Berkati.

3. Bapak Prof. Dr. Ir. Eko Sediyono, M.Kom., selaku dosen pembimbing pertama dan Ibu

Dr. Ade Iriani, M.M., selaku dosen pembimbing kedua, terima kasih atas kesabaran dalam

memberi bimbingan, masukan, motivasi dan pengarahan yang berarti sehingga laporan

tesis ini dapat terselesaikan dengan baik. Tuhan Yesus Berkati.

4. Bapak Hindriyanto D. Purnomo, ST., MIT., Ph.D., selaku Wakil Dekan Fakultas

Teknologi Informasi, Universitas Kristen Satya Wacana, Salatiga dan selaku dosen

penguji kedua ujian kelayakan dan ujian akhir. Terima kasih telah memberi masukan yang

berarti untuk laporan tesis ini. Tuhan Yesus Berkati.

5. Bapak Dr. Kristoko Dwi Hartomo, M.Kom., selaku dosen penguji pertama ujian

kelayakan, terima kasih memberi masukan yang berarti untuk laporan tesis ini. Tuhan

Yesus Berkati.

6. Para staff pengajar di MSI FTI UKSW yang telah memberikan banyak ilmu selama

kuliah. Tuhan Yesus Berkati.

7. ”Big Thanks” par Papa Et, Mama Oci, Melnix, Grepma, Antagracea, Junes dan seluruh

keluarga besar Matulatuwa-Titahena-Hutubessy di manapun berada. Terima kasih atas

perhatian, dukungan, bantuan, semangat dan doanya. Tuhan Yesus Berkati.

vii

8. Orang Spesial, Big Greogory Kaitelapatay dan Aldian Umbu Tamu Ama, ”Dangke Banya

par Senyum deng Canda Tawa yang Pernah Dong Kase, Tete Manis Sayang Dong Dua”.

9. Ibu Yuni selaku sekretaris MSI FTI UKSW yang telah membantu mengurus administratif

selama kuliah. Tuhan Yesus Berkati.

10. Teman-teman angkatan 10 MSI FTI UKSW (Ten Generation): ”Kaka Emants G. Siak,

Kaka Nina Setiyawati, Alessandro Christoforus Baramuli, Abdi Samuel, Jemaictry

Tamaela” yang telah menemani selama kuliah dengan canda dan tawa. Tuhan Berkati.

11. Teman-teman MSI FTI UKSW yang lain, khususnya ”Jun, Hanny, Om Ito, Bobby,

Antonio, Fiktor, Mike, Arny, kaka Ceril” terima kasih untuk bantuan, dukungan dan

semangat dari kalian. Tuhan Yesus Berkati.

12. Ketua dan Majelis Jemaat GPM Haruru Klasis Masohi, terima kasih untuk dukungan dan

doanya. Tuhan Yesus Berkati.

13. Redaksi Jurnal Masyarakat Informatika Indonesia (JMII) Bandung dan Redaksi Jurnal

Teknologi Informasi dan Sistem Informasi (JuTISI) Bandung beserta para reviewer

masing-masing redaksi jurnal, terima kasih sudah menerima, me-review dan menerbitkan

jurnal penulis. Tuhan Yesus Berkati.

14. ”Ity, Erin, Bongso, Om Tete” terima kasih untuk bantuan dan doanya. Tuhan Berkati.

15. Tamang-Tamang Bae ”Ainsten Peiter Tahalea, Alicia Gladies Hursepuny, Silvia Marlen

Manusiwa, Johannes Latuny, Olivia Isabella Tuhumena, Arthur Huwae, Ketrina Tress

Surlialy” terima kasih buat bantuan dan kebersamaan selama ini. Tuhan Yesus Berkati.

16. Pdt. Jacob D. Engel., ”Danke Om zhu Bantu Beta”. Tuhan Yesus Berkati.

17. Alumni SMA Negeri 1 Masohi 2007 yang begitu luar biasa, yang satu per satu tidak dapat

disebutkan karena ”Paleng Abis Banya”. Terima kasih untuk kebersamaan dan canda tawa

selama ini, Tuhan Yesus Berkati. ”Katong Samua Batamang Bae”.

18. ”Usi Kos, Pa Murjio dan keluarga, Pa Sapto dan keluarga” terima kasih atas tempat

tinggal yang disediakan. Tuhan Yesus Berkati.

19. Teman-teman kost: Syeni, Cia, Elsye, Thalia, Taya, terima kasih buat kebersamaannya

selama ini. Tuhan Yesus Berkati.

20. Teman-teman Muger GPIB Tamansari Salatiga khususnya ”Kaka Tity, Kaka Gies, Juniart,

Ampy, Rey, Tasya, Tatu, Lia, Juned, Ela, Icat, James, Mega, Ledy, Ecika, Eca, Li, Ariel,

Thea, Kaka Ete, Icha, Manda, Ane, Une, Angga, Engklin, Merry, Ulen, Nana, Christian”,

terima kasih untuk canda tawa dan kebersamaan selama ini. Tuhan Yesus Berkati.

viii

21. Orang Bae, Kaka Lances ”Danke Banya kaka Ganteng, zhu bantu Beta bage kuesioner

deng kase semangat par Beta, Tete Manis Sayang Kaka”.

22. PT. POS Indonesia khususnya ”Kantor POS Masohi dan Kantor POS Ambon”,

terimakasih sudah mengijinkan dan membantu penulis selama melakukan penelitian dan

pengambilan data. Tuhan Yesus Berkati.

23. Ade-ade di Salatiga ”Ino, Gelino, Meno, Mano, Neni, Eten, Arlien, Jenet, Monic, Dita,

Edy, Vicky, Paul” terima kasih untuk bantuan dan semangat dari kalian. Tuhan Berkati.

24. Ketua dan Majelis Jemaat serta Paduan Suara Jemaat dan PelKat Gerakan Pemuda GPIB

Tamansari Salatiga, terima kasih untuk semangat dan doanya. Tuhan Yesus Berkati.

25. Om Piet Lumalessil deng Tanta Miets Lumalessil, terima kasih untuk dorongan dan

semangat yang diberikan. Tuhan Yesus Berkati.

26. ”Kaka Onal, Coken, Gefan, Nusye, Obio, Dedy, Alon, Paet, Jeck, Yondri” terima kasih

untuk bantuan, dukungan, semangat dan doanya. Tuhan Yesus Berkati.

27. Semua pihak yang tidak dapat penulis sebutkan satu per satu yang telah membantu penulis

selama penyusunan laporan tesis ini. Tuhan Yesus Berkati.

Penulis sangat menyadari bahwa dalam penulisan laporan tesis ini masih banyak sekali

kekurangan dan masih jauh dari kesempurnaan. Oleh karena itu penulis mengharapkan kritik

dan saran yang membangun untuk melengkapi dan menyempurnakan laporan tesis ini. Semoga

laporan tesis ini dapat menjadi bahan kajian yang baik untuk pembelajaran selanjutnya dan

berguna untuk keperluan pendidikan. Terima kasih semuanya. Syallom dan diberkati selalu.

“Karya besar di dunia ini, umumnya dihasilkan oleh orang yang tetap melakukan,

Meskipun harapannya nyaris putus.” Om Big

Salatiga, 16 September 2017


ix

Daftar Isi

Halaman

Halaman Judul ..................................................................................................................i

Pernyataan Tidak Plagiat .................................................................................................ii

Pernyataan Persetujuan Akses .........................................................................................iii

Lembar Persetujuan Pembimbing ...................................................................................iv

Lembar Pengesahan ..........................................................................................................v

Kata Pengantar .................................................................................................................vi

Daftar Isi............................................................................................................................ix

Daftar Gambar ..................................................................................................................xi

Daftar Tabel ......................................................................................................................xii

Abstract ..............................................................................................................................1

I. PENDAHULUAN ............................................................................................................2

II. KAJIAN LITERATUR.....................................................................................................3

A. Penelitian Terdahulu ..............................................................................................3

B. Text Mining ............................................................................................................4

C. Sentiment Analysis .................................................................................................4

D. Lexicon Based ........................................................................................................4

III. METODE PENELITIAN ..................................................................................................5

IV. HASIL DAN PEMBAHASAN ............................................................................................6

A. Data Acquisition ....................................................................................................6

B. Load Dictionary 1 ..................................................................................................7

C. Preprocessing ........................................................................................................7

1. Normalize Sentences ..........................................................................................7

a) Normalisasi Pertama ......................................................................................7

b) Normalisasi Kedua ........................................................................................8

2. Tokenization ......................................................................................................8

D. Load Dictionary 2 ..................................................................................................9

x

E. Extract Keyword ....................................................................................................9

F. Determine Sentiment ..............................................................................................10

G. Analisis Emoticon ..................................................................................................11

V. KESIMPULAN DAN SARAN ............................................................................................12

REFERENSI .........................................................................................................................12

LAMPIRAN .........................................................................................................................13

xi

Daftar Gambar

Halaman

Gambar 1. Opini Negatif tentang PT. POS Indonesia ..........................................................2

Gambar 2. Opini Positif dan Negatif di Twitter PT. POS Indonesia .....................................3

Gambar 3. Tahapan dalam Text Mining ...............................................................................4

Gambar 4. Algoritma Metode Lexicon Based Secara Umum ...............................................5

Gambar 5. Alur Proses Ekstraksi Kata Kunci ......................................................................5

Gambar 6. Alur Proses Ekstraksi Emoticon .........................................................................5

Gambar 7. Algoritma Metode Lexicon Based ......................................................................6

Gambar 8. Sentimen Pelanggan PT. POS Indonesia ............................................................11

Gambar 9. Emoticon dari Opini Pelanggan PT. Pos Indonesia ............................................12

xii

Daftar Tabel

Halaman

Tabel 1. Kamus Emoticon................................................................................................5

Tabel 2. Data Acquisition ................................................................................................7

Tabel 3. Normalisasi Pertama ..........................................................................................7

Tabel 4. Normalisasi Kedua.............................................................................................8

Tabel 5. Hasil Tokenization .............................................................................................9

Tabel 6. Hasil Extract Keyword .......................................................................................10

Tabel 7. Hasil Determine Sentiment .................................................................................10

Tabel 8. Hasil Pengolahan Data Opini Pelanggan ............................................................10

Tabel 9. Hasil Analisis Emoticon .....................................................................................11

Tabel 10. Hasil Pengolahan Data Emoticon .......................................................................11

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017) JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093

1 Jurnal Nasional JMII 2017

TEXT MINING DENGAN METODE LEXICON BASED UNTUK

SENTIMENT ANALYSIS PELAYANAN PT. POS INDONESIA MELALUI

MEDIA SOSIAL TWITTER

Febrilien Matresya Matulatuwa, Eko Sediyono, Ade Iriani Fakultas Teknologi Informasi, Program Studi Magister Sistem Informasi

Universitas Kristen Satya Wacana Jalan Diponegoro 52-60, Salatiga, Indonesia

[email protected], [email protected], [email protected]

Abstract

PT. POS Indonesia or known as the POST Office is one of the Business Entity engaged in service delivery and in particular correspondence. The phenomenon of increasing social media usage that is so rapidly allows

companies to evaluate products based on sentiments that are posted on social media. A sentiment analysis task

performing polarization documents such as documents classification into positive and negative sentiment. One of

the widely used social media is Twitter. Through the number of posts to reach thousands of tweets per second the

availability of sentiment for a product is very rich. The problem that arises is how to do classification of such

sentiment to be useful for evaluating the product and service for customer. This research uses Lexicon Based

method to analyze consumer opinion on services of PT. POS Indonesia. Use of Lexicon Based method is shown

able to capture sentiment information from social media such as twitter. The result of this research can help the

post office to understand the extent of the services provided to customers and anything of services that needs to be

improved.

Keywords: PT. POS Indonesia, Sentiment Analysis, Lexicon Based, Twitter.

Abstrak

PT. POS Indonesia atau lebih dikenal dengan Kantor Pos adalah salah satu Badan Usaha yang bergerak di

bidang jasa khususnya pengiriman barang dan surat menyurat. Fenomena meningkatnya penggunaan media sosial

yang begitu pesat memudahkan perusahaan untuk mengevaluasi produk-produknya berdasarkan sentimen-

sentimen yang diposting di media sosial tersebut. Analisis sentimen merupakan suatu tugas yang melakukan

polarisasi dokumen berupa pengklasifikasian dokumen ke dalam sentimen positif dan negatif. Salah satu

media sosial yang banyak digunakan adalah Twitter. Dengan jumlah postingan mencapai ribuan tweet perdetik ketersediaan sentimen untuk suatu produk sangat melimpah. Permasalahan yang muncul adalah bagaimana

melakukan klasifikasi terhadap sentimen tersebut agar berguna untuk mengevaluasi produk dan pelayanan kepada

pelanggan. Penelitian ini menggunakan metode Lexicon Based untuk menganalisa opini pelanggan terhadap

pelayanan PT. POS Indonesia. Penggunaan metode Lexicon Based ditunjukkan mampu untuk menangkap

informasi sentimen dari media sosial seperti twitter. Hasil dari penelitian ini dapat membantu kantor pos untuk

mengetahui sejauh mana tingkat pelayanan yang diberikan kepada pelanggan dan hal apa saja dari pelayanan

yang perlu ditingkatkan.

Kata kunci: PT. Pos Indonesia, Sentiment Analysis, Lexicon Based, Twitter.



I. PENDAHULUAN

Informasi dapat diibaratkan sebagai darah

yang mengalir di dalam tubuh manusia, seperti

halnya informasi di dalam sebuah perusahaan yang

sangat penting untuk mendukung kelangsungan perkembangannya, sehingga terdapat alasan bahwa

informasi sangat dibutuhkan bagi sebuah

perusahaan. Perolehan informasi yang tepat dan

cepat akan membantu dalam kemajuan dari suatu

organisasi untuk dapat melakukan perubahan yang

menjawab permasalahan yang dihadapi.

Informasi bisa didapatkan dari Media Sosial.

Data dari media sosial misalnya twitter dapat

dimanfaatkan untuk mengetahui sentimen positif

atau negatif dari suatu produk layanan. Kata

sentimen positif digunakan untuk mengekspresikan beberapa keadaan yang diinginkan sementara kata

sentimen negatif digunakan untuk

mengekspresikan beberapa keadaan yang tidak

diinginkan. Contoh kata sentimen positif yaitu

baik, indah, sangat bagus, dan menakjubkan.

Contoh kata sentimen negatif yaitu buruk,

mengerikan, malas dan miskin [1].

Penelitian dalam analisis sentimen didorong

oleh suatu pemikiran bahwa informasi memiliki

nilai sentimen positif atau negatif yang merupakan

hal penting dan dibutuhkan. Sentimen berhubungan dengan penilaian terhadap suatu konteks atau

wacana. Sentimen positif menyatakan pemberian

nilai yang baik pada konteks dalam teks dan

sentimen negatif menyatakan kebalikannya.

Sebagai contoh, analisis sentimen dapat

diaplikasikan pada perusahaan yang mengeluarkan

suatu produk dan menyediakan layanan untuk

menerima pendapat (feedback) dari konsumen

untuk produk dan layanan tersebut. Analisis

sentimen diaplikasikan untuk mengelompokkan

feedback positif dan negatif dari konsumen

sehingga mempercepat dan mempermudah tugas perusahaan untuk meninjau kembali kekurangan

produk dan layanan mereka, berdasarkan feedback

negatif yang diterima dari konsumen, atau untuk

mengetahui tingkat penerimaan konsumen terhadap

produk tersebut [2].

Opini pelanggan adalah hal penting karena

mempunyai kekuatan yang dapat mempengaruhi

citra perusahaan yang erat sekali kaitannya dengan

kualitas pelayanan dari perusahaan itu sendiri.

Kualitas pelayanan jasa kantor pos dapat

mempengaruhi persepsi individu yang kemudian

mempengaruhi opini publik. Oleh karena itu,

kualitas pelayanan sebuah perusahaan harus terus

diperhatikan dan dijaga sehingga menimbulkan

opini yang positif dan tidak membuat citra

perusahaan merosot atau menjadi buruk.

PT. POS Indonesia sebagai penyedia layanan

pengiriman paket dan surat banyak dikomentari oleh pelanggannya melalui media sosial, ada opini

yang positif dan juga yang negatif. Contoh opini

negatif dari pelanggan kantor pos di media sosial

seperti terlihat pada Gambar 1. Gambar 1 adalah

opini negatif tentang kiriman EMS luar negeri Pos

Indonesia yang sudah satu bulan belum sampai dan

yang sudah seminggu belum sampai.

Gambar 1. Opini Negatif tentang PT. Pos Indonesia

[3]



Salah satu media sosial media sosial yang

digunakan PT. Pos Indonesia adalah twitter.

Contoh opini positif dan negatif di twitter terkait

layanan kantor pos seperti terlihat pada Gambar 2.

Gambar 2. Opini Positif dan Negatif di twitter PT. Pos

Indonesia [4]

Gambar 2 adalah opini positif dan negatif di

twitter terkait pelayanan kantor pos. Opini positif dari Tas Kulit Polos, sedangkan opini negatif dari

Putri Wanasita.

Kebutuhan informasi terkait opini pelanggan

yang mendorong penelitian analisis sentimen,

sekaligus yang memotivasi penelitian ini. Karena

banyaknya opini pelanggan terkait pelayanan PT.

POS Indonesia terutama pada keterlambatan

pengiriman paket/surat, sehingga mendorong

penelitian untuk melakukan analisis sentimen

terhadap pelayanan PT. POS Indonesia melalui

media sosial twitter. Untuk mempermudah analisis

sentimen tersebut digunakan metode lexicon based. Metode lexicon based adalah metode yang

sederhana, layak dan praktis untuk analisis

sentimen dari data twitter. Penelitian analisis

sentimen dengan metode lexicon based ini

diharapkan dapat membantu dalam menjawab

kebutuhan informasi sentimen yang memperkaya

ketersediaan informasi bagi PT. POS Indonesia

untuk pengembangan pelayanan kepada pelanggan.

II. KAJIAN LITERATUR

A. Penelitian Terdahulu

Penelitian pertama dengan judul Lexicon

Based Methods for Sentiment Analysis membahas

tentang pendekatan berbasis leksikon untuk

mengekstraksi sentimen dari teks. Penelitian ini

menghasilkan beberapa hal, yaitu yang pertama

The Semantic Orientation CALkulator (SO-CAL)

menggunakan kamus dari kata-kata yang dijelaskan

dengan orientasi semantic yang menggabungkan intensifikasi dan negasi, yang kedua yaitu

gambaran proses penciptaan kamus yang

penggunaannya dari Mechanical Turk sampai

memeriksa kamus untuk konsistensi dan

kehandalan, yang ketiga yaitu kamus secara manual

yang memberikan dasar yang kuat untuk

pendekatan berbasis leksikon yang diperlukan

untuk mendapatkan manfaat penuh dari sistem SO-

CAL dan yang keempat yaitu menghasilkan

statistik signifikan perbaikan dari instansiasi

sebelumnya untuk sistem SO-CAL. Sistem SO-

CAL pada penelitian ini diterapkan pada tugas

klasifikasi polaritas, proses untuk menempatkan

label positif atau negatif terhadap teks [5].

Penelitian kedua dengan judul Text Mining dengan metode Naïve Bayes Clasifier dan Support

Vector Machines untuk Sentiment Analysis

membahas klasifikasi opini sebagai opini positif

dan opini negatif pada data berbahasa Inggris dan

data berbahasa Indonesia menggunakan metode

Naïve Bayes Classifier (NBC) dan Support Vector

Machine (SVM). Baik metode NBC maupun

metode SVM memberikan unjuk kerja yang baik

dalam sentiment analysis pengklasifikasian opini

berbahasa Inggris dan berbahasa Indonesia. Hasil

percobaan menunjukkan bahwa metode SVM

memberikan unjuk kerja yang lebih baik daripada metode NBC untuk mengklasifikasikan opini

berbahasa Inggris dan opini positif berbahasa

Indonesia. Sedangkan NBC memberikan unjuk

kerja yang lebih baik dalam mengklasifikasikan

data uji opini negatif berbahasa Indonesia [6].

Penelitian ketiga dengan judul Analisis

Sentimen Berbasis Ontologi di Level Kalimat

untuk Mengukur Persepsi Produk, dibahas

Penggunaan kerangka ontologi untuk pencarian

data di twitter. Tujuan dari penelitian ini adalah

untuk melakukan analisis sentimen pada data di twitter dengan menggunakan algoritma klasifikasi

naïve bayes. Penelitian ini didasarkan pada

kebiasaan pengguna twitter yang sering menulis

opini, ekspresi, atau sentimen tentang suatu produk,

terutama smartphone. Dari 14.437 tweets yang

diteliti ditemukan 13 tweets yang tidak terkait

dengan domain pembahasan. Penggunaan

algoritma klasifikasi naïve bayes terbukti mampu

untuk mengklasifikasi tweets dengan tingkat

akurasi yang tinggi. Hal ini dibuktikan dengan hasil

rata-rata uji di masing-masing lapisan klasifikasi.

Juga untuk rata-rata keseluruhan sistem. Hasil akurasi yang bisa dicapai berada pada kisaran

84.16% sampai dengan 87.54% [7].

Perbedaan penelitian ini dengan penelitian

yang pertama adalah pada hasil sentimennya,

sentimen yang dihasilkan dalam penelitian ini ada

empat yaitu sentimen positif, negatif, netral dan

nihil. Perbedaan penelitian ini dengan penelitian

yang kedua adalah pada metode yang digunakan

dan opini yang diuji, penelitian ini menggunakan

metode lexicon based dan opini yang diuji



berbahasa Indonesia. Perbedaan penelitian ini

dengan penelitian ketiga adalah pada metode yang

digunakan, penelitian ini menggunakan metode

lexicon based.

Penelitian ini akan dibahas tentang text

mining untuk analisis sentimen terhadap pelayanan

PT. POS Indonesia melalui media sosial twitter

dengan menggunakan metode lexicon based,

dimana dapat diketahui klasifikasi opini pelanggan ke dalam setimen positif, negatif, netral dan nihil

terhadap pelayanan kantor POS Indonesia,

sehingga dapat membantu untuk mengetahui sejauh

mana tingkat pelayanan yang diberikan kepada

pelanggan dan hal apa saja dari pelayanan yang

perlu diperhatikan untuk pengembangan pelayanan

kepada pelanggan.

B. Text Mining

Text mining memiliki defenisi menambang

data yang berupa teks dimana sumber data biasanya

didapatkan dari dokumen, dengan tujuannya adalah

mencari kata-kata yang dapat mewakili isi dari dokumen sehingga dapat dilakukan analisa

keterhubungan antar dokumen [8]. Tahapan yang

dilakukan secara umum dalam text mining

ditunjukkan seperti pada Gambar 3.

Gambar 3. Tahapan dalam Text Mining [8]

Tahap tokenizing adalah tahap pemotongan

string input berdasarkan tiap kata yang

menyusunnya. Tahap filtering adalah tahap

mengambil kata-kata penting dari hasil token yang

biasanya menggunakan algoritma stop list (membuang kata yang kurang penting) atau word

list (menyimpan kata penting). Tahap stemming

adalah tahap mencari root kata dari tiap kata hasil

filtering. Tahap tagging adalah tahap mencari

bentuk awal/root dari tiap kata lampau atau kata

hasil stemming. Tahap analyzing merupakan tahap

penentuan seberapa jauh keterhubungan antar kata-

kata pada dokumen yang ada [8].

C. Sentiment Analysis

Sentiment analysis atau opinion mining

merupakan sebuah cabang penelitian di domain text mining yang mulai marak pada tahun 2003.

Opinion mining atau sentiment analysis adalah riset

komputasional dari opini, sentimen dan emosi yang

diekspresikan secara tekstual. Jika diberikan satu

set dokumen teks yang berisi opini (atau sentimen)

mengenai suatu objek, maka opinion mining

bertujuan untuk mengekstrak atribut dan komponen

dari objek yang telah dikomentari pada setiap

dokumen dan untuk menentukan apakah komentar

tersebut positif, atau negatif [9]. Opinion mining adalah bagian pekerjaan yang

melakukan review yang berkaitan dengan

perlakuan komputasional opini, sentimen dan

subjektifitas dari teks [10].

D. Lexicon Based

Metode Lexicon Based dipilih dalam

penelitian ini karena metode ini sederhana, layak

dan praktis untuk analisis sentimen dari data media

sosial. Data yang cocok dengan metode lexicon

based yaitu data kuesioner, data twitter, data

facebook, atau media sosial lainnya yang berupa

opini pelanggan tentang suatu produk atau

pelayanan jasa.

Lexicon based didasarkan pada asumsi bahwa

orientasi sentimen kontekstual adalah jumlah dari

orientasi sentimen setiap kata atau frase. Metode

leksikon dapat digunakan untuk mengekstrak

sentimen dari blog dengan mengkombinasi lexical

knowledge dan klasifikasi teks [11]. Metode

leksikon dapat dibuat secara manual [5] atau

diperluas secara otomatis dari seed of words [12].

Kamus adalah komponen penting dalam

sistem yang menggunakan metode lexicon based. Kamus digunakan dalam proses normalisasi

kalimat dan ekstraksi kata kunci. Berikut adalah

contoh kamus dan isinya [13]:

1. Positive keywords: baik, banyak, bisa, ok,

best, pintar, lancar, cepat, bagus, senang.

2. Negative keywords: bangkrut, banjir,

bodoh, gagal, kurang, susah, lambat,

parah, bohong.

3. Negation keywords: belum, bukan, tidak

4. Emoticon: (nilainya: 1), (nilainya: -

1)

5. Kamus konversi bahasa gaul: bgmn =

bagaimana, bgs = bagus, beud = banget

Algoritma metode lexicon based secara

umum, seperti terlihat pada Gambar 4.



Gambar 4. Algoritma Metode Lexicon Based Secara

Umum [13]

Penjelasan dari algoritma diatas adalah [13]:

1. Data Acquisition. Pada proses ini

dilakukan pengambilan data dari media

sosial berbahasa Indonesia. Hasil dari

proses ini adalah daftar opini pembaca

serta metadata seperti: username dan

waktu.

2. Load Dictionary. Pada proses ini

dilakukan me-load kamus. Kamus yang

digunakan adalah positive keyword,

negative keyword, negation keyword,

kamus emoticon dan kamus bahasa

gaul/alay.

3. Preprocessing. Proses ini bertujuan untuk

menyiapkan kalimat sebelum dilakukan

ekstraksi kata kunci dan penentuan

sentimen. Yang dilakukan dalam proses

ini adalah Normalisasi Kalimat dan

Tokenisasi.

4. Extract Keyword. Proses ini bertujuan

untuk mengekstraksi kata kunci penentu

sentimen positif dan negatif.

5. Determine Sentiment. Proses ini bertujuan

untuk menentukan sentimen suatu kalimat

opini. Penentuan sentimen dilakukan

dengan menghitung probabilitas

kemunculan kata kunci positif dan kata

kunci negatif.

Alur Proses Ekstraksi Kata Kunci dan Emoticon seperti ditunjukan Gambar 5 dan Gambar

6.

Gambar 5. Alur Proses Ekstraksi Kata Kunci [13]

Setelah kalimat dinormalisasi, selanjutnya

kalimat dipecah kedalam token-token

menggunakan pembatas. Terdapat 3 jenis token

yaitu [13]:

Unigrams: yaitu token yang terdiri dari

hanya satu kata, contohnya: kantor.

Bigrams: yaitu token yang terdiri dari dua

kata, contohnya: kantor pos.

Trigrams: yaitu token yang terdiri dari tiga

kata, contohnya: kantor pos masohi.

Setelah terbentuk unigram, bigram dan

trigram, selanjutnya diekstrak kata kunci dari

kalimat menggunakan ketiga jenis token tersebut

dicocokkan dengan kamus untuk mendapatkan kata

kunci positif, negatif dan netral.

Gambar 6. Alur Proses Ekstraksi Emoticon [13]

Gambar 6 merupakan alur proses ekstraksi

Emoticon. Dari awal kalimat dicari emoticon-nya.

Untuk mengekspresikan persetujuan atau

pertidaksetujuan dalam suatu kalimat biasanya

digunakan emoticon. Maka dari itu, emoticon

dalam kalimat dianggap penting dan memiliki

kontribusi dalam menentukan nilai sentimen suatu kalimat. Ekstraksi emoticon ini dilakukan dengan

menggunakan referensi kamus emoticon yang

mengandung nilai sentimen dari setiap emoticon

[13].

Contoh isi kamus emoticon, seperti terlihat

pada Tabel 1 berikut:

Tabel 1. Kamus Emoticon

Emoticon Nilai Sentimen

1

-1

:D 1

:P -1

-_-‘ -1

III. METODE PENELITIAN

Alur proses sentiment analysis menggunakan

metode lexicon based, seperti pada Gambar 7. Gambar 7 merupakan algoritma proses sentiment

analysis menggunakan metode lexicon based.



Gambar 7. Algoritma Metode Lexicon Based

Penjelasan dari algoritma pada gambar 7

sebagai berikut:

1. Tahap pertama adalah Data Acquisition. Dalam

tahapan ini dilakukan pengambilan teks dari media sosial twitter PT. Pos Indonesia. Hasil

dari proses ini adalah data user seperti nama

user, id user, opini dan waktu.

2. Tahap kedua adalah Load Dictionary pertama.

Dalam tahapan ini dilakukan load kamus yaitu

Kamus Bahasa Indonesia (KBI) dan Kamus

Normalisasi Bahasa Gaul/Alay.

3. Tahap ketiga adalah Preprocessing. Proses yang

dilakukan dalam tahapan ini yaitu Normalisasi

kalimat dan Tokenisasi. Pada penelitian ini,

proses normalisasi kalimat dilakukan dua kali.

Proses normalisasi yang pertama yaitu menghilangkan simbol selain alfabet,

menghilangkan huruf yang berulang dan

mengubah kalimat menjadi Bahasa Indonesia

yang baik dan benar. Sedangkan proses

normalisasi yang kedua yaitu menghilangkan

tanda baca dan mengubah kalimat menjadi

huruf kecil. Dalam proses tokenisasi dilakukan

pemecahan kalimat ke dalam token-token

menggunakan pembatas. Evaluasi token yang

digunakan dalam penelitian ini yaitu unigrams,

bigrams dan trigrams.

4. Tahap keempat adalah Load Dictionary kedua.

Dalam tahapan ini dilakukan load kamus yaitu

positive keyword, negative keyword dan

negation keyword.

5. Tahap kelima adalah Extract Keyword. Dalam

tahapan ini dilakukan ekstrak kata kunci dari

kalimat menggunakan ketiga jenis token yang

dicocokkan dengan kamus untuk mendapatkan kata kunci positif dan negatif. Kemudian

dihitung nilai sentimen untuk setiap kata kunci

positif dan negatif.

6. Tahap keenam adalah Determine Sentiment.

Penentuan sentimen dilakukan dengan

menghitung probabilitas kemunculan kata kunci

positif dan kata kunci negatif, mana yang lebih

dominan. Jika nilai sentimen positif lebih

dominan, maka nilai sentimen untuk kalimat

tersebut adalah positif. Namun jika nilai

sentimen negatif lebih dominan, maka nilai

sentimennya adalah negatif. Jika nilainya sama antara sentimen negatif dan positif, maka nilai

sentimennya adalah netral. Dan jika tidak ada

nilai untuk sentimen positif maupun negatif,

maka nilai sentimennya adalah nihil.

IV. HASIL DAN PEMBAHASAN

A. Data Acquisition

Data acquisition seperti terlihat pada Tabel 2. Tabel 2 merupakan sebagian data acquisition dari

data twitter PT. Pos Indonesia yang menampilkan

data user yaitu nomor, nama, id, opini dan waktu

pelanggan berkomentar. Data diambil secara acak

dan di-filter terlebih dahulu, sehingga yang masuk

pada data acquisition hanya data berupa opini

pelanggan tentang layanan kantor pos.



Tabel 2. Data Acquisition

No Nama User ID User Opini Waktu

93 ferdi @GreenDesign_jkt @PosIndonesia astaga, saya di jakarta. Masa harus ke sby? Ga profesional banget sih

02-Mar-15

107 Dessy Framita Sari

@DessyFramita @PosIndonesia makasih Pos Indonesia, ngirim motor dari

Lombok dateng tepat waktu, good job! Thank you!

03-Mar-15

133 Bosco Januar

@bosco_jp @PosIndonesia maaf min, paketnya udah nyampe barusan, tapi info nya kok salah ya di web nya pos indonesia?

29-Apr-15

194 Desga @desga_ @PosIndonesia saya mohon secepatnya ya :) 22-Sep-15

276 eko_cand @eko_cand1 @PosIndonesia met siang sampe saat ini kok belum sampe

kiriman paket nya ya

28-Nov-16

291 Putra Elbert Shop

@PutraElbertShop @PosIndonesia sudah bisa. Terima kasih banyak :) 01-Des-16

* * * * *

318 Mega @vipxxmega @PosIndonesia min nomer resi 15474561782. Belum sampe juga udah 4 hari. Biasa nya 2 hari sampe.

02-Feb-17

B. Load Dictionary 1

Setelah proses data acquisition, proses

selanjutnya adalah load dictionary 1. Dalam proses

load dictionary yang pertama ini, dilakukan load

kamus yaitu kamus Bahasa Indonesia (KBI) dan

kamus normalisasi bahasa gaul/alay.

C. Preprocessing

1. Normalize Sentences

a) Normalisasi Pertama

Normalisasi pertama seperti terlihat pada

Tabel 3. Tabel 3 merupakan sebagian dari data

twitter PT. Pos Indonesia yang menampilkan hasil

dari proses normalisasi pertama. Pada proses

normalisasi pertama ini, simbol selain alfabet

dihilangkan, huruf yang berulang juga dihilangkan

dan kalimatnya diubah menjadi Bahasa Indonesia

yang benar berdasarkan load dictionary pertama.

Tabel 3. Normalisasi Pertama


93 ferdi @GreenDesign_jkt Pos Indonesia astaga, saya di jakarta. Masa harus ke surabaya? tidak profesional banget

02-Mar-15


@DessyFramita Pos Indonesia terima kasih Pos Indonesia, kirim motor dari Lombok datang tepat waktu, good job! Thank you!

03-Mar-15

133 Bosco Januar

@bosco_jp Pos Indonesia maaf admin, paketnya sudah sampai baru saja, tapi informasinya kok salah ya di situs web pos indonesia?

29-Apr-15

194 Desga @desga_ Pos Indonesia saya mohon secepatnya :) 22-Sep-15

276 eko_cand @eko_cand1 Pos Indonesia selamat siang sampai saat ini kok belum sampai

kiriman paketnya ya

28-Nov-16


@PutraElbertShop Pos Indonesia sudah bisa. Terima kasih banyak :) 01-Des-16

https://twitter.com/GreenDesign_jkt


https://twitter.com/PosIndonesia

https://twitter.com/DessyFramita




https://twitter.com/bosco_jp




https://twitter.com/desga_



https://twitter.com/eko_cand1



https://twitter.com/PutraElbertShop




https://twitter.com/vipxxmega


























* * * * *

318 Mega @vipxxmega Pos Indonesia admin nomor resi 15474561782 Belum sampai juga sudah empat hari. Biasanya dua hari sampai.

02-Feb-17

b) Normalisasi Kedua

Normalisasi kedua seperti terlihat pada Tabel

4. Tabel 4 merupakan sebagian data twitter PT. Pos

Indonesia yang menampilkan hasil dari proses

normalisasi kedua. Pada proses normalisasi kedua

ini, tanda baca dihilangkan, kalimat dijadikan huruf

kecil semua dan emoticon dihilangkan.

Tabel 4. Normalisasi Kedua


93 ferdi @GreenDesign_jkt pos indonesia astaga saya di jakarta masa harus ke surabaya tidak profesional banget

02-Mar-15


@DessyFramita pos indonesia terima kasih pos indonesia kirim motor dari lombok datang tepat waktu good job thank you

03-Mar-15

133 Bosco Januar

@bosco_jp pos indonesia maaf admin paketnya sudah sampai baru saja tapi informasinya kok salah ya di situs web pos indonesia

29-Apr-15

194 Desga @desga_ pos indonesia saya mohon secepatnya 22-Sep-15

276 eko_cand @eko_cand1 pos indonesia selamat siang sampai saat ini kok belum sampai kiriman paketnya ya

28-Nov-16


@PutraElbertShop pos indonesia sudah bisa terima kasih banyak 01-Des-16

* * * * *

318 Mega @vipxxmega pos indonesia admin nomor resi belum sampai juga sudah empat hari biasanya dua hari sampai

02-Feb-17

2. Tokenization

Setelah kalimat dinormalisasi, selanjutnya

kalimat dipecah ke dalam token-token

menggunakan pembatas. Hasil proses tokenisasi

seperti pada Tabel 5. Tabel 5 merupakan sebagian


hasil proses tokenisasi dalam unigrams, bigrams

dan trigrams. Dalam Tabel 5 ditampilkan calon

keyword-nya dan juga hasil load dictionary kedua.

Untuk dapat membedakannya digunakan Bold,

Italic, dan Underline. Kata yang di-Bold

merupakan positive keyword, kata yang di-italic

merupakan negative keyword dan kata yang di-

underline merupakan negation keyword.






























Tabel 5. Hasil Tokenization

No Unigrams Brigrams Trigrams

93 pos, indonesia, astaga, saya, di, jakarta, masa, harus, ke, surabaya, tidak, profesional, banget

pos indonesia, indonesia astaga, astaga saya, saya di, di jakarta, jakarta masa, masa harus, harus ke, ke surabaya, surabaya tidak, tidak profesional, profesional banget

pos indonesia astaga, indonesia astaga saya, astaga saya di, saya di jakarta, di jakarta masa, jakarta masa harus, masa harus ke, harus ke surabaya, ke surabaya tidak, surabaya tidak profesional, tidak profesional banget

107 pos, indonesia,

terima, kasih, pos, indonesia, kirim, motor, dari, lombok, datang, tepat, waktu, good, job, thank, you

pos indonesia, indonesia terima,

terima kasih, kasih pos, pos indonesia, indonesia kirim, kirim motor, motor dari, dari lombok, lombok datang, datang tepat, tepat waktu, waktu good, good job, job thank, thank you

pos indonesia terima, indonesia terima kasih,

terima kasih pos, kasih pos indonesia, pos indonesia kirim, indonesia kirim motor, kirim motor dari, motor dari lombok, dari lombok datang, lombok datang tepat, datang tepat waktu, tepat waktu good, waktu good job, good job thank, job thank you

133

pos, indonesia, maaf,

admin, paketnya, sudah, sampai, baru, saja, tapi, informasinya, kok, salah, ya, di, situs, web, pos, indonesia

pos indonesia, indonesia maaf, maaf

admin, admin paketnya, paketnya sudah, sudah sampai, sampai baru, baru saja, saja tapi, tapi informasinya, informasinya kok, kok salah, salah ya, ya di, di situs, situs web, web pos, pos indonesia

pos indonesia maaf, indonesia maaf admin, maaf

admin paketnya, admin paketnya sudah, paketnya sudah sampai, sudah sampai baru, sampai baru saja, baru saja tapi, saja tapi informasinya, tapi informasinya kok, informasinya kok salah, kok salah ya, salah ya di, ya di situs, di situs web, situs web pos, situs web pos indonesia

194 pos, indonesia, saya, mohon, secepatnya, ya

pos indonesia, indonesia saya, saya mohon, mohon secepatnya, secepatnya ya

pos indonesia saya, indonesia saya mohon, saya mohon secepatnya, mohon secepatnya ya

276

pos, indonesia, selamat, siang, sampai, saat, ini, kok, belum, sampai, kiriman, paketnya, ya

pos indonesia, indonesia selamat, selamat siang, siang sampai, sampai saat, saat ini, ini kok, kok belum, belum sampai, sampai kiriman, kiriman paketnya, paketnya ya

pos indonesia selamat, indonesia selamat siang, selamat siang sampai, siang sampai saat, sampai saat ini, saat ini kok, ini kok belum, kok belum sampai, belum sampai kiriman, sampai kiriman paketnya, kiriman paketnya ya

291 pos, indonesia, sudah, bisa, terima,

kasih, banyak

pos indonesia, indonesia sudah, sudah bisa, bisa terima, terima

kasih, kasih banyak

pos indonesia sudah, indonesia sudah bisa, sudah bisa terima, bisa terima kasih, terima kasih

banyak

* * * *

318

pos, indonesia, admin, nomor, resi, belum, sampai, juga, sudah, empat, hari, biasanya, dua, hari, sampai

pos indonesia, indonesia admin, admin nomor, nomor resi, resi belum, belum sampai, sampai juga, juga sudah, sudah empat, empat hari, hari biasanya, biasanya dua,

dua hari, hari sampai

pos indonesia admin, indonesia admin nomor, admin nomor resi, nomor resi belum, resi belum sampai, belum sampai juga, sampai juga sudah, juga sudah empat, sudah empat hari, empat hari biasanya, hari biasanya dua, biasanya dua hari, dua

hari sampai

D. Load Dictionary 2

Setelah proses tokenisasi, selanjutnya

dilakukan proses load dictionary 2. Dalam proses

load dictionary yang kedua ini, dilakukan load

kamus yaitu kamus kata kunci sentimen positif,

negatif dan negasi. Hasil dari load dictionary yang

kedua bisa dilihat pada Tabel 5 yaitu pada kata

yang di-bold, di-italic, dan di-underline.

E. Extract Keyword

Setelah terbentuk unigram, bigram, dan

trigram, selanjutnya diekstrak kata kunci dari

kalimat menggunakan ketiga jenis token dan

dicocokkan dengan kamus untuk mendapatkan kata

kunci positif dan negatif. Hasil proses extract

keyword seperti pada Tabel 6. Tabel 6 merupakan

sebagian data twitter PT. Pos Indonesia yang

menampilkan hasil proses extract keyword dalam

positive keyword, negation keyword dan negative
























keyword. Dalam Tabel 6 terlihat positive keyword

yang di-strikethrough (profesional, profesional banget,

sampai). Ketiga keyword ini awalnya adalah kata

kunci positif, tapi karena sebelumnya diikuti kata

negasi yaitu tidak dan belum, maka ketiga keyword

tersebut berubah menjadi kata kunci negatif.

Tabel 6. Hasil Extract Keyword

No Positive Keyword

Negation Keyword

Negative Keyword

93 profesional, profesional banget

Tidak tidak profesional, tidak profesional

banget

107 terima, datang, tepat, good, tepat waktu, good job, datang tepat waktu

- -

133 sudah, sampai, baru, sudah sampai, paketnya sudah sampai

- salah, kok salah, salah ya, informasinya kok salah, kok salah ya

194 - - -

276 selamat,

sampai, sampai

Belum kok belum,

belum sampai, kok belum sampai

291 sudah, bisa, terima, sudah bisa, bisa terima, sudah bisa terima

- -

* * * *

318 sampai, sudah, sampai

Belum belum sampai, belum sampai juga

F. Determine Sentiment

Hasil determine sentiment seperti terlihat pada

Tabel 7. Tabel 7 merupakan merupakan sebagian


hasil proses determine sentiment yang terdiri dari

jumlah nilai kata kunci positif (∑PK), jumlah nilai

kata kunci negatif (∑NK) dan penentuan sentimennya. Dari Tabel 8 terlihat opini 93 bernilai

negatif karena nilai sentimen negatif lebih dominan

dari positif, opini 107 bernilai positif karena nilai

sentimen positif lebih dominan dari negatif, opini

133 bernilai netral karena nilainya sama antara

sentimen positif dan negatif dan opini 194 bernilai

nihil karena tidak ada nilai sentimennya.

Tabel 7. Hasil Determine Sentiment

No

Opini ∑PK ∑NK

Sen

Pos

Sen

Net

Sen

Neg

Sen

Nih

93 0 2

107 7 0

133 5 5

194 0 0

276 2 3

291 6 0

* * * * * * *

318 2 2

Tabel 8. Hasil Pengolahan Data Opini Pelanggan

No Sentimen Jumlah (Angka) Jumlah (%)

1 Sentimen Positif 99 31%

2 Sentimen Negatif 184 58%

3 Sentimen Netral 32 10%

4 Sentimen Nihil 3 1%

Total Opini 318 100%

Tabel 8 merupakan hasil pengolahan data

twitter PT. Pos Indonesia. Dari 185 user,

ditemukan 318 opini pelanggan, dimana Sentimen

Positif sebanyak 99 opini, Sentimen Negatif

sebanyak 184 opini, Sentimen Netral sebanyak 32

opini dan Sentimen Nihil sebanyak 3 opini. Hasil

pengolahan data ini menunjukan bahwa sentimen

positif 31%, sentimen negatif 58%, sentimen netral

10% dan sentimen nihil 1%. Sentimen positif

sebesar 31% artinya hanya sebagian kecil dari

pelanggan yang merasa puas dengan pelayanan jasa yang diberikan PT. Pos Indonesia. Hal ini bisa

dilihat dari keyword opini positif pelanggan, seperti

nyaman, good job, paketnya sudah sampai dan lain

sebagainya. Sentimen negatif sebesar 58% artinya

masih banyak pelanggan yang mengeluhkan

pelayanan yang diberikan oleh PT Pos Indonesia.

Hal ini bisa dilihat dari keyword opini negatif

pelanggan, seperti hilang, unsuccesfull delivery,

barang tidak sampai dan lain sebagainya. Sentimen

netral sebesar 10% artinya adanya kesamaan antara

nilai sentimen positif dan negatif pelanggan.



Sentimen nihil senilai 1% artinya hanya beberapa

pelanggan yang tidak berargumen tentang

pelayanan kantor pos.

Hasil analisis opini pelanggan terkait

pelayanan jasa PT. Pos Indonesia dapat dilihat pada

Gambar 8.

Gambar 8. Sentimen Pelanggan PT. POS Indonesia

G. Analisis Emoticon

Hasil analisis emoticon seperti terlihat pada

Tabel 9. Tabel 9 merupakan sebagian data hasil

analisis emoticon dari opini pelanggan PT. Pos

Indonesia di media sosial twitter. Pada Tabel 9,

opini pelanggan nomor 1 mengandung emoticon

positif, jadi nilai sentimen emoticon-nya adalah 1,

sedangkan opini pelanggan nomor 2 mengandung

emoticon negatif, jadi nilai sentimen emoticon-nya

adalah -1.

Tabel 9. Hasil Analisis Emoticon

No Opini Pelanggan Simbol

Emo

Emo Pos Emo Neg Nilai Sentimen

1 pos indonesia terima kasih kakak admin pos indonesia :) :) 1

2 pos indonesia bisa tolong cek barangnya sudah sampai mana nomor

resi dan pos indonesia barangnya belum sampai :(

:( -1

32 pos indonesia terima kasih pos indonesia, kirim motor dari lombok

datang tepat waktu good job thank you 1

34 pos indonesia terus biar dapat informasi yang update bagaimana om

-1

50 pos indonesia admin cek resi kirim tanggal sampai sekarang tanggal

belum sampai juga bekasi bali bagaimana -1

* * * * * *

61 pos indonesia selamat pagi saya mau tanya tentang kiriman saya

dengan nomor receipt apakah sudah sampai alamat tujuan 1

66 pos indonesia nomor telpon tidak bisa dihubungi T_T T_T -1

Tabel 10. Hasil Pengolahan Data Emoticon

No Sentimen Jml (Angka)

Jml (%)

Total Nilai Emo

1 Emo Positif 40 61% 40

2 Emo Negatif 26 39% -26

Total Opini Emo 66 100%

Tabel 10 merupakan hasil pengolahan data

twitter PT. Pos Indonesia terkait emoticon dari

opini pelanggan. Berdasarkan hasil pengolahan

data ini, ditemukan 66 Emoticon, dimana Emoticon

Positif sebanyak 40 dengan nilai sentimennya 40

dan Emoticon Negatif sebanyak 26 dengan nilai

sentimennya -26. Hasil ini menunjukkan bahwa

Emoticon Positif sebesar 61% dan Emoticon

Negatif sebesar 39%. Hasil tersebut

menggambarkan bahwa pelanggan yang beropini

positif lebih besar dari pelanggan yang beropini

negatif. Hasil opini pelanggan terkait pelayanan

PT. Pos Indonesia berdasarkan Emoticon

pelanggan dapat dilihat pada Gambar 9.








Gambar 9. Emoticon dari Opini Pelanggan PT. POS

Indonesia

V. KESIMPULAN DAN SARAN

Dari hasil analisis dan pembahasan, dapat

disimpulkan bahwa hasil opini positif sebesar 31%,

opini negatif sebesar 58%, opini netral sebesar 10%

dan opini nihil sebesar 1%. Hal ini menunjukan

bahwa sentimen negatif lebih besar dari sentimen

positif. Hasil analisisnya lebih banyak opini negatif

karena lebih banyak keluhan pelanggan yang disebabkan oleh beberapa faktor, yaitu

keterlambatan pengiriman paket, paket yang

dibongkar, karyawan yang bersikap kurang sopan

dalam melayani pelanggan, website yang kadang-

kadang error membuat lambatnya pelayanan yang

diberikan sehingga membuat pelanggan harus

menunggu, pelanggan harus ke kantor pos untuk

mengambil paketnya, dan lain sebagainya.

Sebaliknya dari hasil analisis emoticon, opini

positif sebesar 61% dan opini negatif sebesar 39%.

Saran untuk penelitian selanjutnya adalah pada

proses tokenisasi, bisa ditambahkan dengan jenis token lainnya. Selain itu juga analisisnya bisa

dikombinasikan dengan metode pengukur analisis

sentimen yang lain, sehingga bisa dibandingkan

hasilnya, mana yang memberikan hasil yang lebih

baik.

REFERENSI

[1]. Liu, B. 2012. Sentiment Analysis and Opinion mining. Synthesis Lectures on

Human Language Technologies. Morgan &

Claypool Publishers.

[2]. Frangky. 2008. Analisis Sentimen pada Data

Tekstual menggunakan Dokumen Review

dalam Domain Film. Tugas Akhir, Fasilkom.

[3]. Firdaus, M. & Sari, N. 2017. Media

Konsumen. Diperoleh 27 Februari 2017, dari

https://mediakonsumen.com/2016/11/14/surat

-pembaca/kiriman-ems-luar-negeri-pos-

indonesia-sudah-satu-bulan-belum-sampai.

[4]. Pos Indonesia. 2016. Twitter Pos Indonesia.

Diperoleh 8 Desember 2016, dari

http://twitter.com/PosIndonesia.

[5]. Taboada, M., Brooke, J., Tofiloski, M., Voll,

K. & Stede, M. 2011. Lexicon-based methods

for sentiment analysis. Computational

Linguistics. Volume 37, No. 2, pp. 267–307,

MIT Press.

[6]. Saraswati, N. W. S. 2011. Text Mining

dengan Metode Naïve Bayes Classifier dan

Support Vector Machines untuk Sentiment

Analysis. Tesis. Program Studi Teknik Elektro, Program pasca Sarjana, Universitas

Udayana, Bali, Indonesia.

[7]. Akbar, A. S., Nurhayati, O. D. & Sediyono,

E. 2015. Analisis Sentimen Berbasis Ontologi

di Level Kalimat untuk Mengukur Persepsi

Produk. Magister Sistem Informasi,

Universitas Diponegoro, Semarang. Jurnal

Sistem Informasi Bisnis.

[8]. Iwan, A. 2009. Text Mining. Diperoleh 16

September 2016, dari http://lecturer.eepis-

its.edu/~iwanarif/kuliah/dm/6Text%20Mining

.pdf.

[9]. Liu, B. 2010. Sentiment Analysis and

Subjectivity. Handbook of Natural Language

Processing. N. Indurkhya and F.J. Damerau,

eds.

[10]. Pang, B. & Lee, L. 2008. Opinion Mining and

Sentiment Analysis. Foundations and Trends

in Information Retrieval 2, 1-2, 1–135.

[11]. Melville, P., Gryc, W. & Lawrence, D, R.

2011. Sentiment analysis of blogs by

combining lexical knowledge with text

classification. Proceedings of the 15th ACM SIGKDD international conference on

Knowledge discovery and data mining, pp.

1275–1284. ACM.

[12]. Kaji, N., Kitsuregawa, M. 2007. Building

lexicon for sentiment analysis from massive

collection of HTML documents. Proceedings

of the joint conference on empirical methods

in natural language processing and

computational natural language learning

(EMNLP-CoNLL), pp. 1075–1083.

Association for Computational Linguistics.

[13]. Nurfalah, A., Adiwijawa. & Suryani, A. A. 2017. Analisis Sentimen Berbahasa Indonesia

dengan Pendekatan Lexicon-Based pada

Media Sosial Twitter. Telkom University,

Bandung. Jurnal Masyarakat Informatika

Indonesia, Vol 2, No. 1, Januari-Maret,

Hal 1-8.



LAMPIRAN


Jurnal Nasional JMII 2017

Jurnal - core.ac.uk · Kata Pengantar Puji syukur ke ... Kata sentimen positif digunakan untuk...

Documents

Transcript of Jurnal - core.ac.uk · Kata Pengantar Puji syukur ke ... Kata sentimen positif digunakan untuk...