PENGEMBANGAN APLIKASI DATACRAFT UNTUK ANALISIS SENTIMEN MEDIA SOSIAL SEBAGAI UPAYA PEMBERDAYAAN DIGITAL MASYARAKAT
DOI:
https://doi.org/10.71154/asmara.v2i1.48Kata Kunci:
analisis sentimen, DataCraft, machine learning, pemberdayaan digital, pengabdian masyarakatAbstrak
Perkembangan media sosial yang pesat menciptakan volume data teks yang sangat besar, sehingga diperlukan tools analisis sentimen yang mudah diakses oleh masyarakat. Tujuan pengabdian ini adalah mengembangkan aplikasi DataCraft sebagai platform web gratis untuk analisis sentimen media sosial menggunakan algoritma machine learning. Metode pelaksanaan meliputi tahap pengumpulan data selama 1 bulan dan pengembangan aplikasi selama 1,5 bulan menggunakan teknologi Python Flask, Naive Bayes, dan Support Vector Machine (SVM). Aplikasi dilengkapi fitur eksplorasi data, pra-pemrosesan otomatis, pemodelan, dan visualisasi hasil. Hasil pengujian menunjukkan akurasi Naive Bayes mencapai 77,25% dengan interface yang user-friendly. Aplikasi berhasil memberikan akses gratis kepada mahasiswa, peneliti, dan praktisi untuk melakukan analisis sentimen tanpa memerlukan keahlian programming tinggi. Dampak pengabdian menunjukkan peningkatan kemampuan literasi digital masyarakat dalam menganalisis opini publik di media sosial. DataCraft telah tersedia secara open-source di GitHub dengan tutorial lengkap untuk memfasilitasi adopsi yang lebih luas.
Unduhan
Referensi
Ahmad, R., & Putri, S. (2022). Machine learning applications in social media sentiment analysis. Journal of Digital Innovation, 8(2), 45-62.
Chen, L., Wang, M., & Zhang, Y. (2019). Social media sentiment analysis: Methods and applications. International Journal of Information Technology, 15(3), 123-145.
Dewi, K., Rahman, A., & Sari, P. (2021). Open-source tools for natural language processing in Indonesian language. Computational Linguistics Research, 7(4), 78-95.
Hidayat, M., & Kusuma, W. (2023). Comparative analysis of machine learning algorithms for text classification. Applied Computer Science, 19(1), 34-51.
Indra, F., Novita, R., & Pratama, D. (2020). Web-based application development using Flask framework. Software Engineering Journal, 12(3), 156-173.
Liu, B. (2020). Sentiment Analysis: Mining Opinions, Sentiments, and Emotions (2nd ed.). Cambridge University Press.
Ngiliyun, A., Rosidin, R., & Nugraha, D. (2024). The application of RSA cryptography to prevent counterfeiting in the book publishing industry. TECHNOVATAR Jurnal Teknologi, Industri, Dan Informasi, 2(4), 111-128. https://doi.org/10.61434/technovatar.v2i4.247
Permana, I. S., Ngiliyun, A., & Ahmad Subagia, H. (2023). Upaya meningkatkan etika bermedia digital bagi siswa di SMP PGRI Karangampel. ADIMA Jurnal Awatara Pengabdian Kepada Masyarakat, 1(1), 25-30. https://doi.org/10.61434/adima.v1i1.133
Putri, A. S., & Handayani, M. (2023). User interface design principles for data analysis applications. Human-Computer Interaction Studies, 11(2), 89-107.
Rahman, D., & Sari, L. (2021). User-centered design approach in web application development. Design & Technology Journal, 9(4), 201-218.
Sari, M., Pratama, B., & Widodo, S. (2021). Digital literacy enhancement through open-source software adoption. Educational Technology Research, 16(3), 145-162.
Singh, P., & Kumar, A. (2020). Support Vector Machine and Naive Bayes performance comparison in sentiment analysis. Machine Learning Applications, 14(1), 67-84.
Sutanto, H., Wibowo, A., & Maharani, D. (2022). Natural language processing techniques for Indonesian text preprocessing. Language Technology Journal, 8(3), 112-129.
Wijaya, S., Kurniawan, B., & Lestari, N. (2022). Implementation of NLTK and Sastrawi libraries for Indonesian text processing. Text Mining Research, 6(2), 78-95.
Yusuf, M., Anggraeni, P., & Firmansyah, R. (2023). Data visualization techniques in machine learning applications. Visual Analytics Journal, 5(1), 23-40.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Aspirasi Masyarakat
Artikel ini berlisensi Creative Commons Attribution 4.0 International License.
Ciptaan disebarluaskan di bawah 