Analisis Ulasan Konsumen sebagai Data Non-Keuangan dalam Sistem Informasi Akuntansi
DOI:
https://doi.org/10.31294/profitabilitas.v5i1.8269Keywords:
Sentimen Analisis, Natural Language Processing (NLP), K-Nearest Neighbors (KNN)Abstract
Di era digital saat ini, ulasan pengguna pada platform e-commerce seperti Shopee telah menjadi salah satu sumber informasi non-keuangan yang penting dalam menilai persepsi konsumen terhadap produk maupun layanan. Informasi ini memiliki nilai strategis dalam sistem informasi akuntansi, khususnya dalam mendukung pengambilan keputusan berbasis data pelanggan. Namun, tantangan utama yang dihadapi adalah besarnya volume data ulasan yang tidak terstruktur. Oleh karena itu, penelitian ini bertujuan untuk mengeksplorasi metode yang efektif dalam mengklasifikasikan sentimen ulasan pengguna aplikasi Shopee sebagai data non-keuangan yang dapat digunakan dalam sistem informasi akuntansi manajerial. Penelitian ini memanfaatkan kombinasi teknik Natural Language Processing (NLP) dan algoritma K-Nearest Neighbors (KNN). Data ulasan dikumpulkan melalui proses crawling dari Google Play Store menggunakan pustaka google-play-scraper. Data tersebut kemudian diproses melalui serangkaian tahapan NLP seperti case folding, tokenization, normalisasi, penghapusan stopword, dan stemming. Untuk ekstraksi fitur, digunakan metode TF-IDF dan Cosine Similarity untuk menghasilkan representasi vektor yang sesuai dengan kebutuhan klasifikasi. Model KNN digunakan untuk mengklasifikasikan sentimen berdasarkan data latih, dengan pengujian pada berbagai nilai n_neighbors. Hasil penelitian menunjukkan bahwa model dengan n_neighbors = 9 menghasilkan akurasi 88%, presisi 85%, recall 86%, dan F1-score 85%.Temuan ini menunjukkan bahwa kombinasi NLP dan KNN efektif dalam mengklasifikasikan sentimen ulasan pengguna, serta berpotensi besar untuk diterapkan sebagai bagian dari sistem informasi akuntansi guna memperkuat analisis non-keuangan dalam mendukung evaluasi kinerja penjualan dan pengambilan keputusan manajerial.
References
Agustine Fitrana, Lady, Linawati, S., Herlinawati, N., Sa’adah, R., & Seimahuria, S. (2024). Analisis Sentimen Pengguna Twitter Terhadap Brand Indosat Menggunakan Metode Naïve Bayes Classifier. JATI (Jurnal Mahasiswa Teknik Informatika), 8(3), 4291–4297. https://doi.org/10.36040/jati.v8i3.9866
Asaad, R. R., & Abdulhakim, R. M. (2021). The Concept of Data Mining and Knowledge Extraction Techniques. Qubahan Academic Journal, 1(2), 17–21. https://doi.org/10.48161/qaj.v1n2a43
Creazza, A., Ellram, L. M., & Colicchia, C. (2023). Culture counts: Implications of consumer preferences for more sustainable ecommerce fulfillment. Journal of Cleaner Production, 382. https://doi.org/10.1016/j.jclepro.2022.135288
Dahiya, P., Jain, R., Sinha, A., Sharma, A., & Kumar, A. (2023). Sentiment Analysis of Twitter Data Using Machine Learning. Proceedings - International Conference on Technological Advancements in Computational Sciences, ICTACS 2023, 284–290. https://doi.org/10.1109/ICTACS59847.2023.10390062
Deta Kirana, Y., & Al Faraby, S. (2021). Sentiment Analysis of Beauty Product Reviews Using the K-Nearest Neighbor (KNN) and TF-IDF Methods with Chi-Square Feature Selection. Open Access J Data Sci Appl, 4(1), 31–042. https://doi.org/10.34818/JDSA.2021.4.71
Dwiki, A., Putra, A., Juanita, S., Studi, P., Informasi, S., Teknologi, F., Universitas, I., & Luhur, B. (2021). Analisis Sentimen Pada Ulasan Pengguna Aplikasi Bibit Dan Bareksa Dengan Algoritma KNN. 8(2), 636–646.
Ernawan, F., Handayani, K., Fakhreldin, M., & Abbker, Y. (2022). Light Gradient Boosting with Hyper Parameter Tuning Optimization for COVID-19 Prediction. International Journal of Advanced Computer Science and Applications, 13(8), 514–523. https://doi.org/10.14569/IJACSA.2022.0130859
Ferlay, J., Colombet, M., Soerjomataram, I., Parkin, D. M., Piñeros, M., Znaor, A., & Bray, F. (2021). Cancer statistics for the year 2020: An overview. International Journal of Cancer, 149(4), 778–789. https://doi.org/10.1002/ijc.33588
Khurana, D., Koli, A., Khatter, K., & Singh, S. (2023). Natural language processing: state of the art, current trends and challenges. Multimedia Tools and Applications, 82(3), 3713–3744. https://doi.org/10.1007/s11042-022-13428-4
Kosasih, R., & Alberto, A. (2021). Sentiment analysis of game product on shopee using the TF-IDF method and naive bayes classifier. ILKOM Jurnal Ilmiah, 13(2), 101–109. https://doi.org/10.33096/ilkom.v13i2.721.101-109
Kusumaningrum, R., Nisa, I. Z., Jayanto, R., Nawangsari, R. P., & Wibowo, A. (2023). Deep learning-based application for multilevel sentiment analysis of Indonesian hotel reviews. Heliyon, 9(6). https://doi.org/10.1016/j.heliyon.2023.e17147
Masripah, S., & Utami, L. D. (2020). Algoritma Klasifikasi Naïve Bayes untuk Analisa Sentimen Aplikasi Shopee. Swabumi, 8(2), 114–117. https://doi.org/10.31294/swabumi.v8i2.8444
Mostafa, A. A. N., & Mahmoud, H. E. A. (2022). Review of Data Mining Concept and its Techniques. International Journal of Academic Research in Business and Social Sciences, 12(6). https://doi.org/10.6007/ijarbss/v12-i6/13135
Muktafin, E. H., Kusrini, K., & Luthfi, E. T. (2020). Analisis Sentimen pada Ulasan Pembelian Produk di Marketplace Shopee Menggunakan Pendekatan Natural Language Processing. Jurnal Eksplora Informatika, 10(1), 32–42. https://doi.org/10.30864/eksplora.v10i1.390
Muqoddas, A., Yogananti, A. F., & Bastian, H. (2020). Usability User Interface Desain pada Aplikasi Ecommerce (Studi Komparasi Terhadap Pengalaman Pengguna Shopee, Lazada, dan Tokopedia). ANDHARUPA: Jurnal Desain Komunikasi Visual & Multimedia, 6(1), 73–82. https://doi.org/10.33633/andharupa.v6i1.3194
Patil, R., Boit, S., Gudivada, V., & Nandigam, J. (2023). A Survey of Text Representation and Embedding Techniques in NLP. IEEE Access, 11, 36120–36146. https://doi.org/10.1109/ACCESS.2023.3266377
Sihombing, L. O., Hannie, H., & Dermawan, B. A. (2021). Sentimen Analisis Customer Review Produk Shopee Indonesia Menggunakan Algortima Naïve Bayes Classifier. Edumatic: Jurnal Pendidikan Informatika, 5(2), 233–242. https://doi.org/10.29408/edumatic.v5i2.4089
Singh, S., & Mahmood, A. (2021). The NLP Cookbook: Modern Recipes for Transformer Based Deep Learning Architectures. IEEE Access, 9, 68675–68702. https://doi.org/10.1109/ACCESS.2021.3077350
Syafrizal, S., Afdal, M., & Novita, R. (2023). Analisis Sentimen Ulasan Aplikasi PLN Mobile Menggunakan Algoritma Naïve Bayes Classifier dan K-Nearest Neighbor. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 4(1), 10–19. https://doi.org/10.57152/malcom.v4i1.983
Syarifuddin, M. (2020). Analisis Sentimen Opini Publik Mengenai Covid-19 Pada Twitter Menggunakan Metode Naïve Bayes Dan Knn. Inti Nusa Mandiri.
Wankhade, M., Rao, A. C. S., & Kulkarni, C. (2022). A survey on sentiment analysis methods, applications, and challenges. In Artificial Intelligence Review (Vol. 55, Issue 7). Springer Netherlands. https://doi.org/10.1007/s10462-022-10144-1
Yang, L., Li, Y., Wang, J., & Sherratt, R. S. (2020). Sentiment Analysis for E-Commerce Product Reviews in Chinese Based on Sentiment Lexicon and Deep Learning. IEEE Access, 8, 23522–23530. https://doi.org/10.1109/ACCESS.2020.2969854
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Profitabilitas
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
