Analisis sentimen review film untuk mengetahui pola pada review

Abstract

Film merupakan salah satu sarana hiburan yang dapat dinikmati oleh setiap orang dari berbagai kalangan, usia maupun jenis kelamin, tak hanya menjadi sarana hiburan terkadang film dapat dijadikan sebagai sarana komunikasi untuk menyalurkan perasaan atau pikiran yang tersirat, maka dari itu film kerap disebut sebagai salah satu media massa. Terdapat beberapa faktor yang membuat seseorang memutuskan untuk menonton film tertentu salah satunya yaitu review atau ulasan mengenai film tertentu, beberapa website dapat digunakan untuk membagikan ulasan mengenai film tertentu seperti IMDB, flixster dan rotten tomatoes. Situs rotten tomatoes bekerja dengan mengumpulkan semua ulasan dari berbagai kritikus, kemudian ulasan tersebut akan ditampilkan dalam bentuk persentase, persentase dalam website rotten tomatoes ditunjukkan sebagai proporsi kritukus yang memberikan penilaian positif terhadap suatu film. Terdapat pola yang membuat persentase tersebut semakin meninggi seperti ulasan yang diberikan dengan memiliki sentimen yang positif. Melalui analisis ini, diharapkan para seniman dapat meningkatkan kualitas film dari ulasan yang buruk dan mempertahankan kualitas film dari ulasan yang baik. Pada penelitian ini, dilakukan beberapa hal yaitu analisis untuk melihat pola review, dan membuat model klasifikasi untuk nantinya dapat mengklasifikasi sentimen positif dan negatif, pola yang dihasilkan berupa kata-kata kunci untuk masing-masing sentimen. Dalam penelitian ini pun memanfaatkan proses web scraping untuk pengumpulan data dan text mining untuk pemrosesan data. Untuk melihat review sentimen positif dan negatif dengan melihat berdasarkan nilai yang dilakukan feature extraction dengan menggunakan vector space model yang menggunakan bobot TF-IDF, dengan melihat nilai IDF yang tinggi. Selanjutnya, untuk menampilkan hasil dari kata-kata yang berhubungan untuk sentimen positif maupun negatif dilakukan visualisasi data dengan menggunakan barchart dan wordcloud. Setelah dilakukan proses feature extraction dengan mengubah data teks menjadi data numerik menggunakan TF-IDF, dilakukan pembuatan model menggunakan tiga model klasifikasi yaitu decision tree, logistic regression dan random forest. Untuk mengukur seberapa baik model yang telah yang telah dibuat, digunakan metode K-Fold Cross Validation untuk mengevaluasi kinerja model, serta menggunakan metrik evaluasi seperti accruacy, recall, precision, f1-Score dan specifity. Dengan menggunakan tiga percobaan model tersebut didapatkan model klasifikasi dengan logistic regression memperoleh hasil nilai rata-rata pada evaluasi model, pada metode K-Fold Cross Validation dengan K sebanyak 5 maka model berhasil mengklasifikasi data dengan benar sebanyak 69% pada akurasi. Presisi dan recall masing-masing sebesar 58%. Nilai F1-Score juga mencapai 58%, mencerminkan keseimbangan yang kurang baik untuk mengukur prediksi positif yang benar-benar positif yang disebut presisi dan model dapat mengindikasi dari total kelas positif yang sebenarnya yang disebut recall, walaupun hasil kurang baik namun dari percobaan yang telah dilakukan percobaan ini yang paling baik, dan spesifisitas dimana model cukup efektif dalam mengidentifikasi kelas negatif dengan benar yaitu sebesar 75%, model klasifikasi dibangun menggunakan data preprocessing secara unigram. Pada penelitian ini pun dibangun perangkat lunak untuk menampilkan hasil analisis yang telah dilakukan, dan pengguna dapat memasukkan input teks review sehingga program dapat mengeluarkan hasil sentimennya.