Analisis Sentimen Mengenai Ulasan Pengguna Aplikasi Lightroom pada Play Store Menggunakan Klasifikasi Naive Bayes

Tahap selanjutnya yaitu melakukan stopwords removal, pada proses ini kita akan menghapus kata -- kata yang tidak relevan atau kata yang tidak mempunyai makna tersendiri.

2.3Vectorizing

Vectorizing merupakan proses dimana mengubah teks atau data metah menjadi hasil vector numerik. Tahap ini juga dibagi menjadi TF-IDF. Teknik ini digunakan untuk menghitung bobot dataset ulasan atau komentar pada aplikasi Lightroom pada setiap kata yang akan digunakan.

2.4Modeling

Setelah teknik pada tahap preprocessing data selesai dilakukan, langkah selanjutnya yaitu dengan melakukan permodelan atau modeling pada dataset ulasan aplikasi Adobe Lightroom dengan menggunakan metode klasifikasi Nave Bayes dan Support Vector Machine dengan teknik yang telah dieksperimen.

 * Nave Bayes Classifier ( NBC)

Salah satu klasifikasi dataset selanjutnya yaitu dengan mengklasifikasikan data ke satu atau beberapa kelas yang sudah didefinisikan sebelumnya. Teori klasifikasi nave bayes. Klasifikasi nave bayes merupakan klasifikasi yang bersifat supervised learning karena memiliki supervisor yang digunakan. 

Selain itu klasifikasi nave bayes memiliki waktu yang sangat singkat sehingga mempercepat proses sistem analisis sentiment. Pengujian digunakan dengan menggunakan 5 rating diantaranya sangat baik, baik, kurang baik, buruk, sangat buruk. Metode nave bayes merupakan ketentuan permodelan probabilistic yang memprediksi bahwa nilai setiap fitur tidak bergantung pada nilai setiap fitur lain, ketika nilai kelas tetap diberikan. 

Metode ini digunakan dalam berbagai instansi klasifikasi, termasuk pada analisis sentiment, pengelompokan, dan memberikan pengujian pada kualitas produk dengan menggunakan metode Nave Bayes. Metode ini memiliki keunggulan seperti kemajuannya yang tinggi hingga struktur yang mudah untuk dipahami. 

Untuk penggunaan pada Metode Nave Bayes, kita perlu melewati tahap demi tahap yang ada mulai dari tahap screpping data, preprocessing, case folding, normalisasi, filtering, tokenizing, stemming, dan stopwords removal. Kemudian ada pula tahap cleaning untuk mengurangi noise dan remove stopword untuk menghapus kata -- kata yang tidak bermakna seperti kata 'saya', 'dan', 'atau'. Metode ini menghasilkan model dan digunakan untuk menunjukkan ketepatan hasil klasifikasi.

 * Support Vector Machine (SVM)