Implementation of Web Scraping and Data Mining for Performance Evaluation of PT Ceria Multimedia Services

Abstract

This research aims to implement web scraping techniques to collect testimonial data from the CeriaMultimedia website and perform sentiment analysis to evaluate service quality. The collected data consists of a limited number of testimonials, which are then processed through text preprocessing stages including case folding, tokenizing, filtering, and stemming. The sentiment classification process is conducted using machine learning methods based on TF-IDF weighting and classification algorithms. Due to the limited dataset, the analysis results are used primarily to demonstrate the implementation process rather than to draw generalized conclusions. The results show that the sentiment categories obtained include positive, negative, and neutral sentiments, although not all categories consistently appear in the testing phase. This research highlights the effectiveness of web scraping and text processing techniques while also indicating the need for a larger dataset to improve evaluation accuracy in future studies.Penelitian ini bertujuan untuk mengimplementasikan teknik web scraping untuk mengumpulkan data testimonial dari situs web CeriaMultimedia dan melakukan analisis sentimen untuk mengevaluasi kualitas layanan. Data yang dikumpulkan terdiri dari sejumlah testimonial terbatas, yang kemudian diproses melalui tahapan pra-pemrosesan teks termasuk case folding, tokenisasi, penyaringan, dan stemming. Proses klasifikasi sentimen dilakukan menggunakan metode pembelajaran mesin berdasarkan algoritma pembobotan dan klasifikasi TF-IDF. Karena keterbatasan dataset, hasil analisis terutama digunakan untuk mendemonstrasikan proses implementasi daripada untuk menarik kesimpulan umum. Hasil menunjukkan bahwa kategori sentimen yang diperoleh meliputi sentimen positif, negatif, dan netral, meskipun tidak semua kategori muncul secara konsisten pada fase pengujian. Penelitian ini menyoroti efektivitas teknik web scraping dan pemrosesan teks sekaligus menunjukkan perlunya dataset yang lebih besar untuk meningkatkan akurasi evaluasi dalam penelitian selanjutnya.