Penerapan Metode Text Mining Tf-Idf Untuk Klasifikasi Sentimen Penggunaan Pay later Pada Belanja Online Di Media Sosial Twitter

Main Article Content

Irmawati Irmawati Aspin Asis Annah Annah Asrul Syam Asrul Syam

Abstract

Selain menghadirkan solusi kemudahan bagi masyarakat yang membutuhkan paylater juga menimbulkan permasalahan mulai dari penumpukan bunga kredit, selalu dihubungi melalui pesan dan telepon whatsapp secara terus menerus serta  menyebarkan informasi kredit yang tidak dibayar. adanya manfaat dan masalah yang diakibatkan oleh fenomena ini timbul sentimen pro dan kontra mengenai hal tersebut. Adanya dua opini yang berkembang di media sosial khususnya twitter membuat perlunya penelitian untuk menganalisa kecenderungan warga khususnya pengguna twitter dalam melihat fenomena paylater ini. Untuk membaca fenomena paylater dalam belanja online dari  pengguna twitter diperlukan sebuah sistem yang dapat mengambil data secara langsung dengan menggunakan Application Programming Interface (API) Twitter, yang selanjutnya data tersebut diklasifikasikan dengan metode Term Frequency — Inverse Document Frequency (TF-IDF). Penelitian ini berhasil membangun aplikasi yang dapat melakukan otomasi klasifikasi secara langsung terhadap twitter yang masuk mengenai penggunaan paylater pada belanja online dengan menganalisa kata-kata yang telah diklasifikasi sebelumnya.

Downloads

Download data is not yet available.

Article Details

Section
Articles