Systematic Literature : Algoritma, Dataset, Dan Aplikasi Pada Sentiment Analysis

Abstract

Sentiment analysis is the process of identifying, extracting, and evaluating whether the opinions and sentiments expressed in text are positive, negative, or neutral. As its use has become increasingly popular, much research has been conducted in this area to understand the attitudes or reactions of groups of people towards various topics, products, services or applications. This systematic literature review examines findings from 30 selected journals, revealing that the most commonly used algorithm is Naïve Bayes, accounting for 47.05% of studies. The main data set used for sentiment analysis research consists of tweets, which account for 36.67% of the reviewed literature. Additionally, the review highlights that applications related to sentiment analysis, particularly those focused on applications, account for 20% of all surveyed journals. The purpose of this review is to find out algorithms, datasets and topics that are often discussed in research.

Abstrak

Analisis sentimen merupakan proses mengidentifikasi, mengekstraksi, dan mengevaluasi apakah opini dan sentimen yang diungkapkan dalam teks bersifat positif, negatif, atau netral. Seiring dengan semakin populernya penggunaannya, banyak penelitian dilakukan di bidang ini untuk memahami sikap atau reaksi sekelompok orang terhadap berbagai topik, produk, layanan, atau aplikasi. Tinjauan literatur sistematis ini mengkaji temuan dari 30 jurnal terpilih, mengungkapkan bahwa algoritma yang paling umum digunakan adalah Naïve Bayes, yang mencakup 47,05% penelitian. Kumpulan data utama yang digunakan untuk penelitian analisis sentimen terdiri dari tweet, yang mencakup 36,67% dari literatur yang diulas. Selain itu, tinjauan ini menyoroti bahwa aplikasi yang terkait dengan analisis sentimen, khususnya yang berfokus pada aplikasi, mencakup 20% dari seluruh jurnal yang disurvei. Tujuan dilakukan review ini untuk mengetahui algoritma, dataset, dan topik yang sering dibahas dalam penelitian.