Analisis Sentimen level Aspek pada Ulasan Produk menggunakan Multinomial Naive Bayes

Seiring dengan perkembangan e-commerce saat ini, semakin banyak produsen yang menjual produknya secara online. Dengan berkembangnya e-commerce ini juga merupakan suatu peluang besar bagi produsen untuk mempromosikan produknya dan sebagai sarana untuk konsumen berbagi aktivitas yang mereka lakukan salah satunya adalah untuk berbagi review. Review suatu produk oleh konsumen adalah salah satu sarana untuk meningkatkan penjualan suatu produk, review produk digunakan oleh konsumen untuk menentukan keputusan dalam pembelian produk dengan membaca ulasan tentang fitur produk tersebut. Banyaknya review terhadap suatu produk membuat kesulitan bagi konsumen untuk membaca dan memahami review tersebut, sehingga pada akhirnya konsumen tersebut tidak bisa menyimpulkan hasil dari review produk yang dibaca dan menilai apakah review produk yang mereka baca mengandung opini positif atau opini negatif. Oleh karena itu pada Tugas Akhir dibangun sistem yang mampu mengidentifikasi fitur, Klasifikasi opini dan peringkasan hasil klasifikasi opini terhadap fitur produk . Klasifikasi opini terhadap fitur produk yang akan dibangun menggunakan pendekatan supervised learning yaitu menggunakan data training dan data testing yang berlabel. Metode Multinomial Naïve bayes yang merupakan pengembangan dari metode naïve bayes classifier, metode ini menggunakan distribusi multinomial pada fungsi conditional probabilities dan metode ini mampu menangani permasalahan yang bersifat penalaran ketidakpastian. Penerapan metode Multinomial Naïve bayes terhadap klasifikasi opini dapat menghasilkan performansi sebesar 87,71%. Klasifikasi opini yang akan dianalisis yaitu berdasarkan level aspek karena tidak semua konsumen mengutarakan opini tunggal yang ditunjukkan untuk fitur yang berbeda dan dengan klasifikasi opini level aspek berhasil mengetahui opini seseorang suka atau tidak terhadap suatu fitur produk. Kata Kunci : review produk, Multinomial Naïve bayes, level aspek, supervised learning