Online Catalog | library@petra

Analisis sentimen review berbasis aspek terkait perkembangan NFT games pada Youtube menggunakan metode Latent Dirichlet Allocation (LDA) dan Support Vector Machine (SVM)

Salah satu produk yang sedang trending dan ramai diiklankan di YouTube yaitu NFT
games. Banyaknya pendapat dan maraknya perkembangan NFT games menjadi pertimbangan
bagi pendatang baru untuk terjun ke dalam dunia NFT games. Masalah yang dihadapi oleh
pendatang baru dalam dunia NFT games adalah terbentuknya pyramid scheme yaitu nilai atau
mata uang NFT games hanya meningkat oleh pendatang baru yang ikut berinvestasi dalam
proyek NFT games. Jika nilai NFT games sudah mencapai puncak, pemain NFT games yang lama
akan tahu kapan harus menjual NFT games. Sedangkan beberapa pendatang baru belum tahu
kapan harus menjual NFT games karena kurangnya pengetahuan tentang NFT games. Untuk itu
diperlukan informasi baru yang bermanfaat sebagai evaluasi NFT games dan mengetahui
pandangan masyarakat Indonesia pro atau kontra dengan adanya NFT games.
Pada penelitian (Pradha et al, 2019) yang berjudul “Effective Text Data Preprocessing
Technique for Sentiment Analysis in Social Media Data” membahas terkait penerapan algoritma
Naïve Bayes, Deep Learning, dan SVM dalam melakukan analisis sentimen. Dari ketiga metode
tersebut, SVM memiliki tingkat akurasi yang tertinggi sebesar 90,3%. Oleh karena itu dalam
skripsi ini akan menggunakan SVM sendiri memiliki nilai accuracy yang tertinggi dibandingkan
dengan beberapa metode lainnya. Dalam skripsi ini juga akan menggunakan Latent Dirichlet
Allocation (LDA) dalam menemukan aspek apa saja yang mempengaruhi secara keseluruhan dari
NFT games dan indikator pengukuran terhadap hasil LDA menggunakan coherence value. Hasil
pengujian dari metode SVM sendiri akan diuji dengan menggunakan Confusion Matrix yang akan
menghasilkan nilai Accuracy, Precision, Recall, dan F1-Score. Berdasarkan pengujian yang telah
dilakukan, LDA berhasil mendapatkan aspek-aspek terbaik dengan nilai maksimal coherence
value sebesar 0.5 pada topik atau aspek sebanyak 4. Metode SVM mengklasifikasikan data untuk
keseluruhan topik dengan nilai accuracy sebesar 70.681%, precision 73.759%, recall 70.681%,
f1-score 71.742%. Dengan nilai accuracy di atas 70%, metode SVM dapat dikategorikan sebagai
great model performance.