Analisis Sentimen dan Respons Pengguna terhadap WhatsApp Messenger: Studi Berdasarkan Data Ulasan

WhatsApp Messenger adalah salah satu aplikasi komunikasi paling populer di dunia yang digunakan oleh miliaran pengguna untuk berinteraksi secara cepat dan efisien. Dengan tingginya jumlah pengguna, platform ini menerima berbagai ulasan yang mencerminkan pengalaman mereka. Data ulasan ini menjadi sumber informasi penting untuk memahami kepuasan pengguna, mengidentifikasi masalah yang dihadapi, dan menemukan peluang untuk perbaikan layanan.

Dalam dunia big data dan analitik, ulasan pengguna dapat dianalisis menggunakan teknik seperti generate attributes dan aggregate. Proses ini membantu mengelompokkan data sentimen berdasarkan skor ulasan dan menyajikan distribusi sentimen secara visual. Melalui analisis ini, kita dapat memahami pola sentimen, mulai dari yang sangat negatif hingga sangat positif, yang direpresentasikan dalam data ulasan WhatsApp Messenger.

Artikel ini akan menjelaskan langkah-langkah analisis sentimen menggunakan data ulasan WhatsApp Messenger. Pendekatan ini mengadopsi teknik-teknik dari big data analytics, seperti pengelompokan kategori sentimen dan visualisasi hasil untuk memberikan wawasan yang lebih mendalam tentang respons pengguna terhadap aplikasi tersebut.

Data:

1. Melakukan Import data

Melakukan import data yang telah dicari, kemudian memasukkan data tersebut kedalam prosess, kemudian memasukkan operators seperti pada pertemuan 10, dibawah ini merupakan operators tersebut

2. Menggunakan operator Generate Atribute

Carilah generate attributes pada operators, masukkan kedalam prosess kemudian sambungkan, klik pada generate attributes kemudian pergi ke parameters, pada parameters pilih function descriptions, kemudian pada column name ketikkan Sentimen_category, seperti pada gambar dibawah ini

Kemudian pada function expressions klik pada bentuk kalkulator, kemudian akan muncul tampilan seperti berikut.

Kemudian pada expression ketikkan kode sebagai berikut

if(Score >3, “Sangat Positif”, if(Score >2, “Positif”, if(Score >1, “Cukup Positif”, if(Score >0, “Sedikit Positif”, if(Score ==0, “Netral”, if(Score >-1, “Sedikit Negatif”, if(Score >=-2, “Cukup Negatif”, if(Score >=-3, “Negatif”, “Sangat Negatif”))))))))

jika sudah klik apply. Fungsi dari generate attribute adalah untuk menentukan atau memilah review dari pengguna bahwa review tersebut adalah positif atau negative, agar dapat memilah

3. Menggunakan Operator Aggregate

Carilah aggregate pada operators kemudian tarik ke prosess dan sambungkan, klik pada aggregate kemudian pergi ke parameters, pada aggregation attribute pilih Sentimen_category, kemudian pada aggregation functions pilih count kemudian apply

Kemudian pilih group by attributes, pilihlah Sentimen_categoryagar berpindah ke selected attributes kemudian apply. Fungsi dari aggregate adalah untuk menjumlahkan total dan menampilkan apa yang ingin di tampilkan. Seperti pada gambar dibawah ini.

4. Hasil

Lakukan start. Kemudian akan muncul seperti berikut

Hasil tersebut menunjukkan jumlah komentar yang negatif hingga positif, kemudian pergi ke visualization lalu setting seperti gambar dibawah, kemudian akan muncul visualisasi seperti berikut. Yang menunjukkan bahwa sedikit positif paling banyak pada visualisasi berikut

Kesimpulan Proses analisis sentimen yang dilakukan menggunakan tools seperti Generate Attributes dan Aggregate berhasil mengidentifikasi berbagai kategori sentimen mulai dari “Sangat Positif” hingga “Sangat Negatif.” Visualisasi yang dihasilkan menunjukkan bahwa kategori “Sedikit Positif” mendominasi ulasan yang dianalisis. Hasil ini memberikan gambaran yang jelas mengenai persepsi pengguna terhadap data yang digunakan.

Alasan Pendekatan yang digunakan memanfaatkan logika terstruktur untuk mengelompokkan sentimen berdasarkan skor, sehingga memudahkan identifikasi pola utama dalam data ulasan. Dengan penambahan fungsi agregasi, jumlah setiap kategori sentimen dapat dihitung dengan akurat, memungkinkan pengambilan keputusan berbasis data yang lebih efektif.

Analisis semacam ini sangat relevan untuk meningkatkan kualitas layanan atau produk berdasarkan opini pengguna. Tertarik mencoba teknik ini untuk data Anda? Jangan ragu untuk membagikan hasil atau pengalaman Anda! 🎯

Oleh: Yogi Hanusanjaya (NPM: 5231811035) Program Studi: Sains Data Mata Kuliah: Big Data & Data Analytics