<![CDATA[Abstrak Maraknya berbagai e-commerce menjadikan calon pembeli semakin selektif sehingga bergantung padareview yang ditinggalkan oleh pembeli sebelumnya untuk menentukan keputusan membeli suatuproduk. Banyaknya review, baik itu yang bersifat positif atau negatif, sangat mempengaruhi sisi manayang dapat dipercaya. Jika review yang dibaca tidak nyata atau disebut fake review maka akanmerugikan baik sisi penjual ataupun sisi pembeli. Untuk itu, perlu dilakukan analisis untuk mendeteksifake review pada kumpulan review produk. Penelitian ini dilakukan dengan pendekatan lima kelasfeature yaitu sentiment feature, personal feature, brand-only feature, content feature, dan metadata featuredengan menggunakan metode klasifikasi Support Vector Machine. Pada penelitian ini dibandingkanantara SentiwordNet dan SenticNet untuk mendapatkan ekstraksi sentiment mana yang lebih baik. Padapenelitian ini juga dilakukan pemilihan dan penggabungan feature, serta tuning parameter dan jeniskernel pada SVM apakah akan memengaruhi sistem. Hasil terbaik diperoleh akurasi sebesar 74,46%.Dari hasil penelitian ini diperoleh bahwa SenticNet lebih baik daripada SentiwordNet, kemudian tuningparameter serta pemilihan jenis kernel pada SVM bisa mendapatkan hasil yang optimal, sertapenggunaan sentiment feature sangat mempengaruhi sistem untuk deteksi fake review. Kata kunci: fake reviews, support vector machine, feature, sentiwordnet, senticnet Abstract Lot of various e-commerce makes prospective buyers more selective so that it relies on reviews left byThe rise of various e-commerce makes prospective buyers more selective so that it relies on reviews leftby previous buyers to determine the decision to buy a product. The number of reviews, both positive andnegative, greatly influences which side can be trusted. If the review that is read is not real or is called afake review, it will harm both of the seller and the buyer side. For this reason, an analysis is needed todetect fake reviews on a collection of product reviews. This research was approached with a five-classfeatures named sentiment features, personal features, brand-only features, content feature, andmetadata feature using the Support Vector Machine classification method. This research comparesbetween SentiwordNet and SenticNet to get which sentiment extraction is better. This research alsocarried out to analyze whether the differences in the use of SentiwordNet and SenticNet, the selectionand integration of features, and changes in parameters also choosing kernel in SVM will affect thesystem. The best results obtained an accuracy of 74,46%. From the results of this study, it was foundthat SenticNet is better than SentiwordNet, then tuning SVM parameters can get optimal results, alsousing sentiment feature affect the system for detecting fake review. Keywords: fake reviews, support vector machine, features, sentiwordnet, senticnet]]>
