Analisis Sentimen Ulasan Media Sosial UMKM Kuliner dengan Pendekatan Lexicon-Based dan Kosakata Khusus

Setyo Wahyu Saputro; Friska Abadi; Radityo Adi Nugroho

doi:10.33795/jip.v12i2.9302

Authors

Setyo Wahyu Saputro Universitas Lambung Mangkurat
Friska Abadi Universitas Lambung Mangkurat
Radityo Adi Nugroho Universitas Lambung Mangkurat

DOI:

https://doi.org/10.33795/jip.v12i2.9302

Keywords:

analisis sentimen, lexicon based, kosakata domain spesifik, media sosial, umkm kuliner

Abstract

UMKM kuliner di Kalimantan Selatan memanfaatkan media sosial sebagai sarana utama untuk mengetahui opini pelanggan, namun jumlah komentar yang sangat besar menyulitkan pelaku usaha untuk menelaahnya secara manual. Kondisi ini menegaskan perlunya pendekatan analisis sentimen yang mampu mengolah data ulasan secara efisien serta sesuai dengan karakteristik bahasa lokal. Penelitian ini bertujuan mengembangkan metode analisis sentimen berbasis lexicon yang diperkaya dengan kosakata domain-spesifik kuliner dan bahasa Banjar agar hasil klasifikasi lebih akurat dan kontekstual. Data penelitian diperoleh dari 3.500 komentar publik di Instagram dan TikTok. Tahap preprocessing mencakup case folding, pembersihan karakter khusus, tokenisasi, stopword removal, normalisasi, dan stemming. Selanjutnya, InSet Lexicon disempurnakan melalui penyuntikan kosakata baru serta penyesuaian bobot kata sesuai konteks kuliner lokal. Hasil analisis menunjukkan distribusi sentimen terdiri dari 2.050 komentar positif (58,57%), 934 komentar netral (26,69%), dan 516 komentar negatif (14,74%). Evaluasi menunjukkan peningkatan akurasi signifikan setelah perluasan lexicon, yaitu 93,49% untuk sentimen negatif, 94,64% untuk netral, dan 96,94% untuk positif, dibandingkan akurasi awal yang berkisar antara 51–73%. Temuan ini membuktikan bahwa pengayaan lexicon menggunakan kosakata lokal dan domain-spesifik secara substansial meningkatkan performa analisis sentimen. Pendekatan ini memberikan solusi praktis dan terjangkau bagi UMKM untuk memahami opini pelanggan secara lebih representatif, serta dapat dimanfaatkan dalam pengambilan keputusan strategis dan perbaikan kualitas layanan maupun promosi produk kuliner.

Downloads

Download data is not yet available.

References

Adhityas, A. S., Satya Nugraha, S., & Syuhada, M. A. (n.d.). Analisis Sentimen Ulasan Pelanggan pada Kafe Gamat Bendungan Hilir Menggunakan Algoritma Naive bayes. In Purwokerto Kidul, Kec. Purwokerto Sel (Vol. 4, Issue 1).

Badan Pusat Statistik. (2024). Jumlah Perusahaan Industri Skala Mikro dan Kecil Menurut Provinsi (Unit), 2024.

Bagas, M., Putra, D., & Setiawan, E. (2024). Metode Lexicon Based untuk Analisis Sentimen Pengguna Twitter terhadap Kinerja ISP (Studi Kasus: IndiHome, Biznet, MyRepublic). In Jurnal Mahasiswa Teknik Informatika (Vol. 8, Issue 6). http://dev.twitter.com

Bhowmick, A., & Seetharaman, A. (2023). Impact of product quality on customer satisfaction: A Systematic Literature Review. ACM International Conference Proceeding Series, 93–99. https://doi.org/10.1145/3603421.3603434

Brown, M. A., Gruen, A., Maldoff, G., Messing, S., Sanderson, Z., & Zimmer, M. (2024). Web Scraping for Research: Legal, Ethical, Institutional, and Scientific Considerations. http://arxiv.org/abs/2410.23432

Budiarto Hadiprakoso, R., Setiawan, H., Novita Yasa, R., & Siber dan Sandi Negara, P. (n.d.). Text Preprocessing for Optimal Accuracy in Indonesian Sentiment Analysis Using a Deep Learning Model with Word Embedding.

Cero, I., Luo, J., & Falligant, J. M. (2024). Lexicon-Based Sentiment Analysis in Behavioral Research. Perspectives on Behavior Science, 47(1), 283–310. https://doi.org/10.1007/s40614-023-00394-x

Dinas Koperasi, U. K. dan M. P. K. S. (2024, October). Jumlah Usaha Kecil, Mikro dan Menengah Provinsi Kalimantan Selatan.

Fadel Sasongko, M., Hayati, N., Informasi, S., & Nasional, U. (n.d.). Analisis Sentimen Opini Masyarakat Terhadap Kuliner DKI Jakarta Dengan Metode Naïve Baiyes dan Support Vector Machine.

Fauziah, Y., Yuwono, B., & Aribowo, A. S. (2021). Lexicon Based Sentiment Analysis in Indonesia Languages : A Systematic Literature Review. RSF Conference Series: Engineering and Technology, 1(1), 363–367. https://doi.org/10.31098/cset.v1i1.397

Koto, F., & Rahmaningtyas, G. Y. (2017). Inset lexicon: Evaluation of a word list for Indonesian sentiment analysis in microblogs. 2017 International Conference on Asian Language Processing (IALP), 391–394. https://doi.org/10.1109/IALP.2017.8300625

Mahdi Hidayatullah, & Hastin Umi Anisah. (2024). Adaptasi Pasar terhadap Tren Makanan Viral di Banjarmasin, Kalimantan Selatan: Peluang Bisnis bagi Wirausaha Kuliner Lokal. Jurnal Kajian Dan Penalaran Ilmu Manajemen, 2(4), 70–92. https://doi.org/10.59031/jkpim.v2i4.505

McCloskey, B. J., LaCasse, P. M., & Cox, B. A. (2024). Natural language processing analysis of online reviews for small business: extracting insight from small corpora. Annals of Operations Research, 341(1), 295–312. https://doi.org/10.1007/s10479-023-05816-2

Nadia L Kamila. (2023, September 7). Memahami Opini Publik dengan Analisis Sentimen Media Sosial. Https://Dibimbing.Id/Blog/Detail/Memahami-Opini-Publik-Dengan-Analisis-Sentimen-Media-Sosial.

Prayuda, M. W., & Permana, A. A. (2022). Penerapan Metode Lexicon Based untuk Menganalisis Sentimen Terhadap Mudik Lebaran. 11.

Shaukat, K., A Hameed, I., Luo, S., Javed, I., Iqbal, F., Faisal, A., Masood, R., Usman, A., Shaukat, U., Hassan, R., Younas, A., Ali, S., & Adeem, G. (2020). Domain Specific Lexicon Generation through Sentiment Analysis. International Journal of Emerging Technologies in Learning (IJET), 15(09), 190. https://doi.org/10.3991/ijet.v15i09.13109

Subhashini, L. D. C. S., Li, Y., Zhang, J., Atukorale, A. S., & Wu, Y. (2021). Mining and classifying customer reviews: a survey. Artificial Intelligence Review, 54(8), 6343–6389. https://doi.org/10.1007/s10462-021-09955-5