Analisis Komentar Potensial pada Social Commerce Instagram Menggunakan TF-IDF

Main Article Content

Rizqa Luviana Musyarofah
Ema Utami Utami
Suwanto Raharjo Raharjo

Abstract

Komentar di Instagram sangat berharga, informatif dan sangat membantu. Bagi penjual komentar adalah fitur yang menunjukkan respons pengguna Instagram terhadap produk yang ditawarkan, dan melalui fitur komentar penjual dapat menemukan pelanggan yang potensial. Manfaat tersebut diperoleh apabila penjual melakukan analisis pada komentar di toko Instagram-nya. Sangat dimungkinkan untuk menganalisis secara manual apabila data komentar pada tokonya berjumlah sedikit namun apabila komentar yang dimiliki banyak maka akan lebih cepat apabila menggunakan sistem. Banyaknya spam dapat mengganggu informasi yang ada pada komentar, sehingga tidak menjamin banyaknya komentar pada sebuah posting-an maka banyak pula yang ingin membeli produk tersebut. Oleh karena itu dibutuhkan sistem yang bisa memfilter komentar agar penjual dapat menemukan pelanggan yang tepat untuk produknya. Penelitian ini menggunakan algoritma TF-IDF untuk mengklasifikasikan komentar ke dalam 2 kelas (potensial dan tidak potensial) dan memperoleh akurasi sebesar 80%, presisi 0,76 dan recall 0,94. Berdasarkan hasil penelitian pada 294 komentar, 27% di antaranya adalah komentar tidak potensial. Kata yang menunjukkan minat beli seseorang adalah “berapaâ€, â€kakâ€, â€adaâ€, dan â€tidakâ€, sedangkan kata dominan pada komentar tidak potensial adalah kata “mention†yang menunjukkan aktivitas mention.

Downloads

Download data is not yet available.

Article Details

How to Cite
Musyarofah, R., Utami, E., & Raharjo, S. (2020). Analisis Komentar Potensial pada Social Commerce Instagram Menggunakan TF-IDF. Jurnal Eksplora Informatika, 9(2), 130-139. https://doi.org/10.30864/eksplora.v9i2.360
Section
Articles

References

M. Mohammadi, M. Dawodi, W. Tomohisa, and N. Ahmadi, “Comparative study of supervised learning algorithms for student performance prediction,” 1st Int. Conf. Artif. Intell. Inf. Commun. ICAIIC 2019, pp. 124–127, 2019. [link]

W. K. Pertiwi, “Riset Ungkap Pola Pemakaian Medsos Orang Indonesia,” Kompas, 2018. [Online]. Available: https://tekno.kompas.com/read/2018/03/01/10340027/riset-ungkap-pola-pemakaian-medsos-orang-indonesia. [Accessed: 02-Feb-2020].

D. Setyowati, “Instagram Klaim 70% Pengguna Akun Bisnisnya Serap Tenaga Kerja,” Kata Data, 2019. [Online]. Available: https://katadata.co.id/berita/2019/03/05/instagram-klaim-70-pengguna-akun-bisnisnya-serap-tenaga-kerja. [Accessed: 02-Feb-2020].

O. Gibreel, D. A. Alotaibi, and J. Altmann, “Social commerce development in emerging markets,” Electron. Commer. Res. Appl., no. December, 2017. [link]

A. R. C, Y. Lukito, P. T. Informatika, F. T. Informasi, U. Kristen, and D. Wacana, “Deteksi Komentar Spam Bahasa Indonesia Pada Instagram Menggunakan Naive Bayes,” no. August, 2017. [link]

S. Adinda, “PENGARUH MEDIA SOSIAL INSTAGRAM @exploremalang TERHADAP MINAT BERKUNJUNG FOLLOWERS KE SUATU DESTINASI (SURVEI PADAFOLLOWERS @exploremalang),” J. Adm. Bisnis, vol. 72, no. 1, 2019. [link]

D. I. Anjaskara, “Pengaruh Sikap pada Media Sosial Instagram terhadap Minat Beli Produk Kecantikan melalui Instagram,” 2016.

A. S. Al-adwan and H. Kokash, “The Driving Forces of Facebook Social Commerce,” J. Theor. Appl. Electron. Commer. Res., vol. 14, no. 2, pp. 15–32, 2019. [link]

S. M. Din, R. Ramli, and A. A. Bakar, “A Review on Trust Factors affecting Purchase Intention on Instagram,” in 6th International Conference on Reliability, Infocom Technologies and Optimization (ICRITO) (Trends and Future Directions), 2017, pp. 49–53. [link]

A. Fauzi, M. F. Akbar, and Y. F. A. Asmawan, “Sentimen Analisis Berinternet Pada Media Sosial dengan Menggunakan Algoritma Bayes,” J. Inform., vol. 6, no. 1, pp. 77–83, 2019. [link]

A. N. Khusna and I. Agustina, “Implementation of Information Retrieval Using Tf-Idf Weighting Method On Detik.Com’s Website,” in 2018 12th International Conference on Telecommunication Systems, Services, and Applications (TSSA), 2018, pp. 1–4. [link]

A. N. Rohman, E. Utami, and S. Raharjo, “Deteksi Kondisi Emosi pada Media Sosial Menggunakan Pendekatan Leksikon dan Natural Language Processing,” Eksplora Inform., vol. 9, no. 1, pp. 70–76, 2019. [link]

A. Purwarianti, A. Andhika, A. F. Wicaksono, I. Afif, and F. Ferdian, “InaNLP: Indonesia natural language processing toolkit, case study: Complaint tweet classification,” 4th IGNITE Conf. 2016 Int. Conf. Adv. Informatics Concepts, Theory Appl. ICAICTA 2016, pp. 5–9, 2016. [link]

I. Yahav, O. Shehory, and D. Schwartz, “Comments Mining With TF-IDF: The Inherent Bias and Its Removal,” IEEE Trans. Knowl. Data Eng., vol. 31, no. 3, pp. 437–450, 2019. [link]

A. Tharwat, “Classification assessment methods,” Appl. Comput. Informatics, 2018. [link]

O. W. Purbo, Text Mining Analisis MedSos, Kekuatan Brand & Intelejen di Internet, 1st ed. Yogyakarta, Indonesia: ANDI, 2019.