Analisis Sentimen Masyarakat terhadap Brand Lokal di E-Commerce dengan Pendekatan Deep Learning Menggunakan Metode XLNet
Abstract
Pertumbuhan perekonomian Indonesia dapat didongkrak dengan meningkatkan minat masyarakat untuk membeli produk brand lokal. Brand awareness, brand image, dan kualitas produk yang baik dapat memengaruhi minat masyarakat dalam membeli produk lokal. Teknologi Big Data dapat dimanfaatkan untuk menganalisis sentimen masyarakat melalui data review produk brand lokal untuk mengetahui citra dan kualitas produk brand lokal. Penelitian yang dilakukan oleh penulis bertujuan untuk mengetahui sentimen masyarakat terhadap brand lokal berdasarkan data review produknya di situs e-commerce Tokopedia, Shopee, Blibli, Bukalapak, Lazada, dan Zalora. Metode yang digunakan pada penelitian yaitu XLNet. Penelitian yang dilakukan oleh penulis memperoleh data review sebanyak 16.663.045 review dengan jumlah data yang telah diproses sebanyak 4.110.012 review serta dataset training sebanyak 11.606 review yang terdiri dari 5803 data review positif dan 5803 data review negatif. Hasil analisis sentimen terhadap produk brand lokal di situs e-commerce menunjukkan bahwa data review positif lebih dominan (87,82%) dibandingkan data review negatif (12,18%) sehingga dapat disimpulkan bahwa masyarakat Indonesia cenderung puas dan menyukai produk brand lokal yang tersedia di e-commerce. Hasil performa metode XLNet menunjukkan nilai accuracy sebesar 95,6%; precision sebesar 95,06%; recall sebesar 96,21%; dan f1-score sebesar 95,63%.
References
[2] KabarTangsel, “Pemerintah Dorong Peningkatan Penggunaan Produk Lokal,” kabartangsel.com, 23 Maret 2022. https://kabartangsel.com/pemerintah-dorong-peningkatan-penggunaan-produk-lokal/?amp=1 (diakses 3 Juli 2022).
[3] CNN Indonesia, “88,1 Persen Pengguna Internet Belanja dengan E-Commerce,” cnnindonesia.com, 12 November 2021. https://www.cnnindonesia.com/ekonomi/20211111123945-78-719672/881-persen-pengguna-internet-belanja-dengan-e-commerce (diakses 28 Desember 2022).
[4] I. P. K. Yasa, N. K. D. Rusjayanthi, dan W. S. M. Binti Mohd Luthfi, “Classification of Stroke Using K-Means and Deep Learning Methods,” Lontar Komputer : Jurnal Ilmiah Teknologi Informasi, vol. 13, no. 1, hlm. 23, Apr 2022, doi: 10.24843/LKJITI.2022.v13.i01.p03.
[5] N. I. Purnayasa, I. M. A. D. Suarjaya, dan I. P. A. Dharmaadi, “Analysis of Cyberbullying Level using Support Vector Machine Method,” Jurnal Ilmiah Merpati (Menara Penelitian Akademika Teknologi Informasi), vol. 10, no. 2, hlm. 81, Agu 2022, doi: 10.24843/JIM.2022.v10.i02.p01.
[6] J. Lyu, A. Khan, S. Bibi, J. H. Chan, dan X. Qi, “Big data in action: An overview of big data studies in tourism and hospitality literature,” Journal of Hospitality and Tourism Management, vol. 51, hlm. 346–360, Jun 2022, doi: 10.1016/j.jhtm.2022.03.014.
[7] S. Farzadnia dan I. Raeesi Vanani, “Identification of opinion trends using sentiment analysis of airlines passengers’ reviews,” J Air Transp Manag, vol. 103, hlm. 102232, Agu 2022, doi: 10.1016/j.jairtraman.2022.102232.
[8] R. L. Atimi dan Enda Esyudha Pratama, “Implementasi Model Klasifikasi Sentimen Pada Review Produk Lazada Indonesia,” Jurnal Sains dan Informatika, vol. 8, no. 1, hlm. 88–96, Jul 2022, doi: 10.34128/jsi.v8i1.419.
[9] E. H. Muktafin, K. Kusrini, dan E. T. Luthfi, “Analisis Sentimen pada Ulasan Pembelian Produk di Marketplace Shopee Menggunakan Pendekatan Natural Language Processing,” Jurnal Eksplora Informatika, vol. 10, no. 1, hlm. 32–42, Sep 2020, doi: 10.30864/eksplora.v10i1.390.
[10] D. Bhoi dan A. Thakkar, “Sentiment Analysis Performance and Reliability Evaluation Using an XLNet-based Deep Learning Approach,” Reliability: Theory & Applications, vol. 17, no. 1 (67), hlm. 391–397, Mar 2022, doi: 10.24412/1932-2321-2022-167-391-397.
[11] Top Brand Award, “Top Brand Index,” 2022. https://www.topbrand-award.com/top-brand-index/?tbi_year=2022 (diakses 16 Juni 2023).
[12] I. K. Sastrawan, I. P. A. Bayupati, dan D. M. S. Arsa, “Detection of fake news using deep learning CNN–RNN based methods,” ICT Express, vol. 8, no. 3, hlm. 396–408, Sep 2022, doi: 10.1016/j.icte.2021.10.003.
[13] I. N. K. Bayu, I. M. A. D. Suarjaya, dan P. W. Buana, “Classification of Indonesian Population’s Level Happiness on Twitter Data Using N-Gram, Naïve Bayes, and Big Data Technology,” Int J Adv Sci Eng Inf Technol, vol. 12, no. 5, hlm. 1944, Okt 2022, doi: 10.18517/ijaseit.12.5.14387.
[14] D. A. Savita, I. K. G. D. Putra, dan N. K. D. Rusjayanthi, “Public Sentiment Analysis of Online Transportation in Indonesia through Social Media Using Google Machine Learning,” Jurnal Ilmiah Merpati (Menara Penelitian Akademika Teknologi Informasi), vol. 9, no. 2, hlm. 153–164, Apr 2021, doi: 10.24843/JIM.2021.v09.i02.p06.
[15] A. Yadav dan D. K. Vishwakarma, “Sentiment analysis using deep learning architectures: a review,” Artif Intell Rev, vol. 53, no. 6, hlm. 4335–4385, Agu 2020, doi: 10.1007/s10462-019-09794-5.
[16] Z. Yang, Z. Dai, Y. Yang, J. Carbonell, R. Salakhutdinov, dan Q. V. Le, “XLNet: Generalized Autoregressive Pretraining for Language Understanding,” Adv Neural Inf Process Syst, vol. 32, Jun 2019, [Daring]. Tersedia pada: http://arxiv.org/abs/1906.08237
[17] X.-R. Gong, J.-X. Jin, dan T. Zhang, “Sentiment Analysis Using Autoregressive Language Modeling and Broad Learning System,” dalam 2019 IEEE International Conference on Bioinformatics and Biomedicine (BIBM), IEEE, Nov 2019, hlm. 1130–1134. doi: 10.1109/BIBM47256.2019.8983025.
[18] I. P. B. G. Prasetyo Raharja, I. M. Suwija Putra, dan T. Le, “Kekarangan Balinese Carving Classification Using Gabor Convolutional Neural Network,” Lontar Komputer : Jurnal Ilmiah Teknologi Informasi, vol. 13, no. 1, hlm. 1, Apr 2022, doi: 10.24843/LKJITI.2022.v13.i01.p01.
[19] I. Ramadhani dan W. Maharani, “Predicting Depressive Disorder Based on DASS-42 on Twitter Using XLNet’s Pretrained Model Classification Text,” Journal of Computer System and Informatics (JoSYC), vol. 3, no. 4, hlm. 379–385, Sep 2022, doi: 10.47065/josyc.v3i4.2157.
