Analisis Sentimen dan Emosi dari Ulasan Google Maps Untuk Layanan Rumah Sakit di Palangka Raya Menggunakan Machine Learning
DOI:
https://doi.org/10.24002/konstelasi.v4i1.8924Keywords:
analisis sentimen, emosi, ulasan Google Maps, layanan rumah sakit, machine learningAbstract
Penelitian ini bertujuan untuk menganalisis sentimen dan emosi dari ulasan Google Maps untuk layanan rumah sakit di Palangka Raya menggunakan machine learning. Data yang digunakan dalam penelitian ini adalah ulasan dari Google Maps untuk 11 rumah sakit di Palangka Raya. Data diolah dengan preprocessing untuk membersihkan dan mempersiapkan data untuk analisis. Selanjutnya, data diklasifikasikan berdasarkan sentimen (positif, negatif, netral) dengan VADER (Valence Aware Dictionary and Sentiment Reasoner) dan emosi (seperti marah, senang, sedih, dll) menggunakan NRC Lexicon. Algoritma yang digunakan dalam penelitian ini adalah K-Nearest Neighbors (KNN), Logistic Regression, dan Decision Tree. Hasil penelitian menunjukkan bahwa ketiga algoritma tersebut memiliki performa yang berbeda-beda ketika mengklasifikasikan sentimen dan emosi dari ulasan. Algoritma Decision Tree memiliki akurasi tertinggi yaitu 92%, diikuti dengan Logistic Regression dengan akurasi 86%, dan KNN dengan akurasi 48%. Penelitian ini menunjukkan bahwa machine learning dapat digunakan untuk menganalisis sentimen dan emosi dari ulasan pada Google Maps dengan baik.
This research aims to analyze the sentiment and emotion from reviews on Google Maps for hospital services in Palangka Raya using machine learning. The data used in this research was reviews from Google Maps for 11 hospitals in Palangka Raya. The data was processed using preprocessing to clean and prepare the data for analysis. Furthermore, the data was classified based on the sentiments (positive, negative, neutral) with VADER (Valence Aware Dictionary and Sentiment Reasoner) and emotions (such as angry, happy, sad, etc.) using NRC Lexicon. The algorithms used in this research are K-Nearest Neighbors (KNN), Logistic Regression, and Decision Tree. The research results show that the three algorithms have different performances when classifying sentiment and emotion from reviews. The Decision Tree algorithm has the highest accuracy of 92%, followed by Logistic Regression with an accuracy of 86%, and KNN with an accuracy of 48%. This research shows that machine learning can be used to analyze sentiment and emotion from reviews on Google Maps well.
References
Astuti, & Kustiyah, E. (2014). Analisis Kepuasan terhadap Pasien Rawat Inap Atas Pelayanan Rumah Sakit Umum Kabupaten Sragen. Jurnal Gema, 26(48), 1356–1371.
Google Indonesia. (2022). Cara kerja ulasan Google Maps. Blog Resmi Google Indonesia. https://indonesia.googleblog.com/2022/02/cara-kerja-ulasan-google-maps.html
Salsabila, N. A. (2022). Analisis Sentimen pada Media Sosial Twitter terhadap Tokoh Gus Dur Menggunakan Metode Naïve Bayes Dan Support Vector Machine (SVM). 8.10.2022. www.aging-us.com
Bourezk, H., Raji, A., Acha, N., & Barka, H. (2020). Analyzing Moroccan Stock Market using Machine Learning and Sentiment Analysis. 2020 1st International Conference on Innovative Research in Applied Science, Engineering and Technology, IRASET 2020, 8(11), 586–590. https://doi.org/10.1109/IRASET48871.2020.9092304
Store, C. W. (2024). Instant Data Scraper. https://chrome.google.com/webstore/detail/instant-data-scraper/ofaokhiedipichpaobibbnahnkdoiiah?hl=id
Pang, B., Lee, L., & Vaithyanathan, S. (2002). Thumbs up? Sentiment Classification using Machine Learning Techniques. Proc . 2002 Conference on Empirical Methods in Natural Language Processing ( EMNLP ) Techniques. 8.
Ghasiya, P., & Okamura, K. (2021). Investigating COVID-19 News across Four Nations: A Topic Modeling and Sentiment Analysis Approach. IEEE Access, 9, 36645–36656. https://doi.org/10.1109/ACCESS.2021.3062875
Khofifah, W., Rahayu, D. N., & Yusuf, A. M. (2022). Analisis Sentimen Menggunakan I Bayes untuk Melihat Review Masyarakat terhadap Tempat Wisata Pantai di Kabupaten Karawang Pada Ulasan Google Maps. Jurnal Interkom: Jurnal Publikasi Ilmiah Bidang Teknologi Informasi Dan Komunikasi, 16(4), 28–38. https://doi.org/10.35969/interkom.v16i4.192
Findawati, Y., Indahyanti, U., Rahmawati, Y., & Puspitasari, R. (2023). Sentiment Analysis of Potential Presidential Candidates 2024: A Twitter-Based Study. Academia Open, 8(1), 1–17. https://doi.org/10.21070/acopen.8.2023.7138
Suryadi, D. (2021). Does it make you sad? A lexicon-based sentiment analysis on COVID-19 news tweets. IOP Conference Series: Materials Science and Engineering, 1077(1), 012042. https://doi.org/10.1088/1757-899x/1077/1/012042
Aribowo, A. S., & Khomsah, S. (2021). Implementation Of Text Mining For Emotion Detection Using The Lexicon Method (Case Study: Tweets About Covid-19). Telematika, 18(1), 49. https://doi.org/10.31315/telematika.v18i1.4341
Fikriya, Z. A., Irawan, M. I., & Soetrisno., S. (2017). Implementasi Extreme Learning Machine untuk Pengenalan Objek Citra Digital. Jurnal Sains Dan Seni ITS, 6(1). https://doi.org/10.12962/j23373520.v6i1.21754
Zulfahmi, I. (2024). Analisis Sentimen Aplikasi PLN Mobile Menggunakan Metode Decision Tree. JUPRIT: Jurnal Publikasi Ilmu Teknik, 3(1).
Prasetyo, M. R., & Fahrurozi, A. (2023). Analisa Sentimen Pada Ulasan Google untuk Hotel Gran Mahakam Jakarta Menggunakan Pendekatan Machine Learning. Jurnal Ilmiah Informatika Komputer. 28, 203–217. https://doi.org/https://doi.org/10.35760/ik.2023.v28i3.9761
Rizki Maulidiah, P., Anjani Arifiyanti, A., Pembangunan Nasional, U., Timur Jl Raya Rungkut Madya, J., Anyar, G., & Timur, J. (2023). Analisis Sentimen Ulasan Pengunjung terhadap Tempat Wisata Religi Walisongo Menggunakan Metode Supervised Learning Dhian Satria Yudha Kartika. Jurnal Ilmiah Teknik Informatika dan Komunikasi, 3(3). https://doi.org/10.55606/juitik.v3i3.617
Savitri, N. L. P. C., Rahman, R. A., Venyutzky, R., & Rakhmawati, N. A. (2021). Analisis Klasifikasi Sentimen terhadap Sekolah Daring pada Twitter Menggunakan Supervised Machine Learning. Jurnal Teknik Informatika dan Sistem Informasi, 7(1), 47–58. https://doi.org/10.28932/jutisi.v7i1.3216
Mohammad, S. M., & Turney, P. D. (2013). Crowdsourcing a word-emotion association lexicon. Computational Intelligence, 29(3), 436–465. https://doi.org/10.1111/j.1467-8640.2012.00460.x
Pawitra, T. G., & Harsono, S. (2013). Pengaruh Kualitas Layanan dan Kepuasan Emosional terhadap Kualitas Hubungan dan Loyalitas Pelanggan KFC di Surabaya. Journal of Business and Banking. 22(1), 14–25.