BAB I PENDAHULUAN 1.1. Latar Belakang Saat ini smartphone telah berevolusi menjadi komputer pribadi kecil dan portabel yang memungkinkan pengguna untuk melakukan penjelajahan internet, mengirim e-mail atau menghubungkan ke remote desktop. Komputer-komputer kecil dapat melakukan tugas-tugas komputasi yang kompleks dan berkomunikasi melalui metode yang berbeda (misalnya, GPRS, WiFi atau Bluetooth). Dalam beberapa dekade terakhir, pengguna perangkat smartphone mengalami masalah ketika menginstal aplikasi. Para pengguna harus men-download aplikasi dari situs web dan kemudian menginstalnya pada perangkat. Untuk melindungi perangkat dan menghindari pembajakan, beberapa sistem operasi, seperti Symbian, menggunakan sistem otentikasi berdasarkan sertifikat yang menyebabkan ketidaknyamanan bagi pengguna, misalnya, mereka tidak dapat menginstal aplikasi meski telah membeli aplikasi tersebut (Sanz dkk., 2011). Saat ini, berkat penyebaran koneksi internet di perangkat mobile, ada metode baru untuk mendistribusikan aplikasi. Pengguna dapat menginstal aplikasi apapun tanpa menghubungkan perangkat mobile ke komputer. Mereka hanya perlu account dari sebuah application market untuk membeli dan menginstal aplikasi baru. AppStore milik Apple adalah application market pertama yang menerapkan model ini. Produsen lain seperti Google, RIM dan Microsoft telah mengikuti model bisnis yang sama. Google Play milik Google saat ini telah menyediakan sekitar 1.200.000 aplikasi mobile menurut AppBrain 1. Dengan sejumlah aplikasi tersebut membuat pengguna memiliki banyak pilihan. Namun, pertama-tama mereka harus mengetahui fungsi dari aplikasi yang akan di-install, bagaimana pendapat konsumen lain terhadap aplikasi tersebut dan kemudian memutuskan membeli atau tidak. Biasanya, ulasan pengguna berisi dua bagian, yaitu nilai rating dan komentar secara tekstual. 1 http://www.appbrain.com/stats/number-of-android-apps 1
2 Nilai rating menunjukkan evaluasi keseluruhan pengalaman pengguna menggunakan skala numerik, namun komentar tekstual mampu bercerita lebih mendalam. Setelah beberapa bulan, mungkin ada lebih dari sepuluh ribu komentar tekstual dari aplikasi baru yang diluncurkan di market. Hal ini sangat menantang untuk pengguna untuk membaca semua komentar tersebut untuk membuat keputusan. Selain itu, pengembang aplikasi mengalami kesulitan dalam mencari tahu bagaimana meningkatkan kinerja aplikasi berdasarkan dari ribuan komentar tekstual. Dengan adanya permasalahan tersebut, maka dibutuhkan sebuah aplikasi analisis sentimen yang dapat mengolah sejumlah komentar untuk memperoleh informasi, informasi ini akan memiliki nilai tambah sebagai pengetahuan akan sesuatu. Analisis sentimen adalah teknik yang sesuai untuk menganalisis ulasan tekstual konsumen tentang produk dan layanan. Namun aplikasi untuk analisa sentimen untuk ulasan tekstual aplikasi pada Google Play yang dikembangkan masih belum banyak. Sentiment analysis bisa menjadi tools yang sangat berguna untuk mengatasi banyak tugas business intelligence (Pang dan Lee, 2008). Analisis sentimen merupakan proses memahami, mengekstrak dan mengolah data tekstual secara otomatis untuk mendapatkan informasi. Analisis sentimen mencoba untuk mengumpulkan pendapat secara keseluruhan terhadap komentar-komentar, misalnya, apakah suatu produk memiliki opini positif atau negatif (Lee dan Renganathan, 2011). Analisis sentimen untuk review produk saat ini menjadi sangat populer di bidang text mining (Leung dan Chan, 2007). Bidang opinion mining dan analisis sentimen merupakan bidang yang sesuai untuk berbagai jenis application intelligence. Business Intelligence tampaknya menjadi salah satu faktor utama di balik kepentingan perusahaan di lapangan (Pang dan Lee, 2008). Aplikasi mobile sangat sesuai untuk implementasi analisis sentimen pada Google Play sebab platform target hanya ditujukan untuk platform Android dan user yang akan menggunakan hanya end user sistem operasi android ataupun pengembang aplikasi untuk sistem operasi android. Sistem yang dibangun merupakan sistem yang diaplikasikan pada mobile environment. Jeong dan Kim (2012) menyebutkan dalam penelitiannya bahwa perangkat mobile memiliki resource yang terbatas. Proses training dan klasifikasi yang berat menjadi masalah
3 jika diaplikasikan untuk perangkat mobile yang memiliki spesifikasi yang rendah antara lain seperti kapasitas storage yang kecil dan processor yang lambat. Maka dari itu, penulis mengusulkan model sistem yang mampu menangani masalah keterbatasan dari perangkat mobile tersebut. Pada penelitian ini, penulis membangun aplikasi mobile untuk melakukan analisis sentimen terhadap aplikasi Android pada Google Play. Tugas dasar dalam analisis sentimen adalah mengelompokkan polaritas dari teks yang ada pada dokumen seperti sentimen positif, negatif atau netral, lebih lanjut analisis sentimen dapat menyatakan emosional sedih, gembira, atau marah. Namun pada penelitian yang akan dilakukan, polaritas sentimen yang dihasilkan adalah sentimen positif, sentimen negatif dan sentimen crash sebab ketiga polaritas tersebut dapat dijadikan sebagai informasi penting dalam kaitannya dengan fungsi atau kinerja dari aplikasi yang akan digunakan. Sentimen positif mewakili pendapat pengguna tentang kepuasannya yang menurutnya sudah sesuai dengan kebutuhan setelah menggunakan aplikasi tesebut. Berikut adalah contoh komentar yang diambil dari website Google Play 2. Contoh komentar dengan sentimen positif dapat dilihat pada Gambar 1.1, diambil dari halaman aplikasi WhatsApp 3 pada website Google Play. Gambar 1.1 Komentar dengan sentimen positif Sentimen negatif mewakili pendapat pengguna tentang ketidakpuasannya setelah menggunakan aplikasi tersebut sebab tidak sesuai dengan kebutuhan pengguna, seperti keluhan tentang fitur yang kurang lengkap. Contoh komentar dengan sentimen negatif dapat dilihat pada Gambar 1.2, diambil dari halaman aplikasi Facebook 4 pada website Google Play. 2 https://play.google.com/store 3 https://play.google.com/store/apps/details?id=com.whatsapp 4 https://play.google.com/store/apps/details?id=com.facebook.katana
4 Gambar 1.2 Komentar dengan sentimen negatif Sedangkan sentimen crash mewakili pendapat pengguna jika aplikasi yang telah digunakan masih memiliki bug atau masih ada fitur yang tidak berfungsi dengan baik. Contoh komentar dengan sentimen crash dapat dilihat pada Gambar 1.3, diambil dari halaman aplikasi Line 5 pada website Google Play. Gambar 1.3 Komentar dengan sentimen crash Dengan ketiga polaritas sentimen tersebut para pengguna dapat menggunakannya sebagai pertimbangan sebelum melakukan penginstalan aplikasi dan para pengembang aplikasi android dapat menganalisis aplikasi mereka dalam kaitannya dengan respon pasar. Metode yang digunakan untuk mengklasifikasikan ulasan tekstual aplikasi adalah metode klasifikasi Naïve Bayes. Algoritmanya sederhana namun memiliki kecepatan dan akurasi yang tinggi (Rish, 2001). Pada penelitian yang dilakukan oleh Domingos dan Pazzani (1997) Naïve Bayes dapat bekerja dengan baik bahkan dengan adanya kehadiran dari fitur yang memiliki dependensi yang kuat pada dataset. Data komentar yang diambil dari Google Play untuk dijadikan data training memiliki jumlah yang sedikit karena sulitnya mendapatkan komentar yang sesuai. Dengan permasalahan ini, metode klasifikasi Naïve Bayes sangat sesuai apabila digunakan sebab Naïve Bayes Classifier masih mampu bekerja dengan baik dengan ukuran data training yang kecil (Kohavi, 1996) (Domingos dan Pazzani, 1997). 5 https://play.google.com/store/apps/details?id=jp.naver.line.android
5 Selain dari itu, algoritma Naïve Bayes yang sederhana dan kecepatannya yang tinggi dalam proses pelatihan dan klasifikasi (Kotsiantis, 2007) membuat algoritma ini menarik untuk digunakan sebagai salah satu metode klasifikasi. Dengan karakteristik tersebut di atas, maka metode klasifikasi Naïve Bayes sesuai jika digunakan pada penelitian ini. Sebagai pembanding akan digunakan metode SVM (Support Vector Machine). Kotsiantis (2007) memperlihatkan pada penelitiannya bahwa akurasi dari metode SVM lebih besar jika dibandingkan dengan metode klasifikasi yang lainnya, memiliki kecepatan klasifikasi yang tinggi, dan tolenransi yang tinggi terhadap attribut yang tidak relevan. 1.2. Rumusan Masalah Berdasarkan latar belakang di atas maka secara garis besar dapat dirumuskan permasalahan yang akan dikaji pada penelitian ini adalah bagaimanakah melakukan analisis sentimen pada Google Play dengan menggunakan metode klasifikasi Naïve Bayes yang dapat diaplikasikan pada perangkat mobile. 1.3. Batasan Masalah Batasan masalah dalam penelitian ini adalah : 1. Platform target untuk aplikasi mobile sentiment analysis adalah Android dengan versi Android minimal 2.2. 2. Dalam penelitian ini akan menggunakan perangkat mobile android sebagai alat implementasi. 3. Data yang digunakan dalam penelitian ini adalah data komentar aplikasi dalam Bahasa Inggris yang diperoleh dari Google Play. 4. Untuk ekstraksi fitur, digunakan model bag-of-words. 5. Metode klasifikasi yang digunakan untuk mengklasifikasikan komentarkomentar adalah Multinomial Naïve Bayes dan sebagai pembanding, digunakan metode SVM Linier. 6. Ulasan tekstual aplikasi diklasifikasikan menjadi tiga buah polaritas sentimen, yaitu sentimen positif, negatif dan crash.
6 1.4. Tujuan Penelitian Tujuan dari penelitian ini untuk membangun suatu aplikasi mobile yang dapat mengklasifikasikan ulasan tekstual aplikasi pada Google Play dalam tiga polaritas sentimen, yaitu sentimen positif, sentimen negatif, dan sentimen crash serta menganalisis performansi metode klasifikasi Naïve Bayes untuk mengetahui akurasi model klasifikasi jika diaplikasikan untuk klasifikasi sentimen pada Google Play. 1.5. Manfaat Penelitian Dengan adanya aplikasi mobile sentiment analysis para pengembang aplikasi android dapat menganalisis produk aplikasi android mereka dalam kaitannya dengan respon pasar. Aplikasi mobile yang dihasilkan juga dapat digunakan oleh para pengguna sistem operasi android untuk mengetahui apakah produk aplikasi mobile tersebut mendapatkan respon positif, negatif atau crash pada Google Play. Respon positif, negatif dan crash dapat digunakan sebagai pertimbangan penggunaan aplikasi mobile android. 1.6. Metodologi Penelitian Berikut adalah uraian dari tahapan dan metode yang digunakan dalam penelitian : 1. Studi kepustakaan Pengumpulan bahan referensi, seperti jurnal penelitian, prosiding, tesis, bukubuku teori dan sumber-sumber lain termasuk informasi yang diperoleh melalui internet. 2. Analisis sistem Melakukan analisa terhadap requirement yang dibutuhkan dalam pengembangan sistem. 3. Perancangan sistem
7 Perancangan sistem tediri dari pengumpulan data training, proses dan perancangan interface aplikasi. Data training dikumpulkan dari komentar review pada Google Play menggunakan open-source non-official-api yang disebut android-market-api. Format data yang diambil dalam bentuk json. Data training terdiri dari 3 kelas yaitu postif, negatif, dan crash. Untuk pelabelan data kelas positif, negatif dan crash dilakukan dengan pemanfaatan nilai rating yang diberikan oleh pengguna dan pemanfaatan emoticon seperti pada penelitian yang telah dilakukan oleh Pak dan Paroubek (2010). Sebelum disimpan dalam data training, komentar-komentar yang diambil dari Google Play terlebih dahulu melalui tahap preprocessing. Dalam melakukan text preprocessing dilakukan tahapan sebagai berikut : a. Case folding, yaitu penyeragaman bentuk huruf menjadi huruf kecil. b. Stopword and punctuation elimination, yakni menghapus karakter-karakter yang termasuk dalam kategori stopword atau kata-kata yang memiliki frekuensi tinggi (seperti the, of, dan and ) dan tanda baca. c. Negation Tag, yakni sebuah tag NOT_ ditambahkan pada setiap kata di antara kata negasi dan kata yang mengikutinya, lalu menghapus kata negasinya. Proses pemilihan fitur kemudian dilakukan setelah tahap preprocessing. Berikut adalah proses pemilihan dan ekstraksi fitur yang digunakan sebagai dasar proses klasifikasi. a. Unigram, di mana setiap dokumen direpresentasikan sebagai feature vector. c. Negation Tag, merupakan fitur yang telah diberikan tag NOT_ untuk katakata yang mengandung kata negasi. Untuk mengatasi permasalahan syntactic and semantic properties, digunakan lexical database WordNet. Setelah data melewati tahap preprocessing dan pemilihan fitur maka akan siap disimpan sebagai data training. Hasil dari proses training adalah model klasifikasi yang akan digunakan untuk menentukan sentimen hasil query user pada aplikasi. Proses klasifikasi komentar yang juga merupakan penentuan sentimen dari aplikasi pada Google Play memanfaatkan
8 Teorema Bayes. Pada data hasil query user, akan dilakukan juga preprocessing dan pemilihan fitur. 4. Implementasi Implementasi program merupakan proses penulisan kode program sampai ke pembangunan basis data. Sistem yang akan dibangun adalah sistem mobile sentiment analysis untuk menentukan sentimen aplikasi mobile pada Google Play. Sistem terdiri dari 3 proses inti yaitu pre-processing, training data dan klasifikasi. Tahapan ini juga menjadi tahapan pembangunan model klasifikasi beserta penentuan sentimennya. 5. Pengujian Proses evaluasi kinerja classifier menggunakan pendekatan k-fold crossvalidation. Pendekatan k-fold cross-validation mengeneralisasi pendekatan cross-validation dengan mensegmentasi data ke dalam k partisi berukuran sama. Dalam pendekatan cross-validation, setiap record digunakan beberapa kali dalam jumlah yang sama untuk training dan tepat satu kali untuk testing. Selama proses, salah satu dari partisi dipilih untuk testing, sedangkan sisanya digunakan untuk training. Prosedur ini diulangi k kali sedemikian sehingga setiap partisi digunakan untuk testing tepat satu kali. Total error ditentukan dengan menjumlahkan error untuk semua k proses tersebut. Pada penelitian ini pengujian menggunakan k-fold cross-validation, dengan k=3 sesuai dengan penelitian Pang dkk. (2002) dan penelitian Nur dan Santika (2011) yang menggunakan 3-folds cross-validation karena dataset yang digunakan cukup besar dan proses training classifier yang membutuhkan waktu yang lama. Hasil klasifikasi yang diprediksi benar dan tidak benar oleh model klasifikasi ditabulasikan pada sebuah Tabel confusion matrix. Jika diberikan m kelas, maka confusion matrix adalah Tabel ukuran minimal m x m. Entri CMi,j dalam m baris pertama dan m kolom menunjukkan jumlah tupel kelas i yang dilabeli oleh classifier sebagai kelas j. Informasi dalam confusion matrix diperlukan untuk menentukan kinerja model klasifikasi. Hasil dari confusion
9 matrix akan digunakan untuk menentukan akurasi dari classifier dengan performance metric accuracy. Akurasi dari classifier pada dataset dapat dihitung dengan menggunakan persamaan : Akurasi = Jumlah klasifikasi benar Jumlah Data Uji 100% (1.1)