Page 51 - E-Skripsi Analisis Sentimen Terhadap Aplikasi Sapawarga Jabar Super Apps Pada Ulasan Google Play Store

Tabel 2. 2 Penelitian Sejenis

Metode dan Alat
(M: Metode Kelebihan (X) dan
No. Judul Penulis Tujuan Dataset Hasil Akurasi
EF: Ekstraksi Fitur Kekurangan (Y)
S: Software)
1 A Hybrid Composite (Maree et Menguji ekstraksi • M: Lexicon, SVM, 50.000 • SVM 90% • X: memiliki metode
Features Based al., 2023) fitur unigram- Naive Bayes (NB), ulasan • NB 86% yang bervariatif
Sentence Level bigram pada Logistic film • LR 90% • Y: tidak adanya
Sentiment Analyzer metode machine Regression (LR), IMDB • RF 85% interpretasi data dari
learning Random Forest hasil analisis sentimen
(RF)
• EF: uni-bi
• S: RapidMiner
2 Sentiment Analysis on (Errami et Menguji ekstraksi • M: SVM, NB, LR, 4.855 • SVM 69% • X: memiliki metode
Moroccan Dialect al., 2023) fitur unigram- RF tweet • NB 63% yang bervariatif
Based on ML and bigram pada • EF: unigram- • LR 67% • Y: tidak adanya
Social Media Content metode machine bigram • RF 62% interpretasi data hasil
Detection learning analisis sentimen
3 Analisis Sentimen (Oktaviana Membandingkan • M: Lexicon dan 350 tweet • SVM 48% • X: terjadi peningkatan
Terhadap Kebijakan et al., 2022) akurasi tanpa SVM • SVM-Lexicon akurasi
Kuliah Daring pendekatan • EF: Unigram 60% • Y: jumlah dataset
Selama Pandemi Lexicon dan • S: Twint yang sedikit sehingga
Menggunakan gabungan Lexicon akurasi yang didapat
Pendekatan Lexicon dan SVM rendah
dan SVM
4 An N-gram-Based (Trueman et Membandingkan • M: BERT 50.000 • Uni 94% • X: pengujian ekstraksi
BERT model for al., 2022) nilai akurasi • EF: Uni, Bi, Tri, movie • Bi 94% fitur yang bervariatif
Sentiment menggunakan Uni-Bi, Bi-Tri, review • Tri 94% • Y: tidak adanya
Classification Using ekstraksi fitur n- Uni-Bi-Tri • Uni-Bi 94% interpretasi data dari
Movie Reviews gram • Bi-Tri 95% hasil analisis sentimen
• Uni-Bi-Tri
95%

37