Dika Mahastuti Utari, 4111416038 (2021) IMPLEMENTASI METODE SUPPORT VECTOR MACHINE DAN NAIVE BAYES CLASSIFIER DALAM ANALISIS SENTIMEN ULASAN PENGGUNA DOMPET DIGITAL DANA. Under Graduates thesis, Unnes.

PDF (IMPLEMENTASI METODE SUPPORT VECTOR MACHINE DAN NAIVE BAYES CLASSIFIER DALAM ANALISIS SENTIMEN ULASAN PENGGUNA DOMPET DIGITAL DANA) - Published Version Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Semakin banyaknya aplikasi dompet digital yang hadir di Indonesia di saat pandemi Covid-19 ini menyebabkan persaingan antar developer aplikasi untuk meningkatkan kinerja aplikasi. Salah satu aplikasi dompet digital di Indonesia yaitu DANA. Dibutuhkan analisis sentimen dari ulasan pengguna aplikasi DANA yang berisi ungkapan positif maupun negatif untuk menemukan kelebihan dan kekurangan dari aplikasi tersebut. Tujuan dari penelitian ini adalah menganalisis sentimen pengguna aplikasi DANA dengan mengklasifikasikan ulasan kedalam kategori positif dan negatif. Sebelum melakukan analisis sentimen dan mengklasifikasi ulasan, dilakukan proses preprocessing teks untuk membersihkan data ulasan dan pembobotan kata yang bertujuan memberikan nilai atau bobot pada term setiap ulasan. Metode klasifikasi dalam penelitian ini menggunakan metode Support Vector Machine dan Naïve Bayes Classifier. Support Vector Machine merupakan suatu teknik klasifikasi dengan menemukan hyperplane yang memisahkan dua dataset dari dua kelas yang berbeda, sedangkan Naïve Bayes Classifier merupakan teknik klasifikasi dengan cara mencari nilai probabilitas positif dan negatif dari frekuensi kemunculan term pada dokumen. Hasil penelitian dengan menggunakan metode Support Vector Machine memperoleh hasil accurary, precision, dan recall masing-masing sebesar 87,6%, 89,8%, dan 83,9% dengan mengklasifikasikan 203 ulasan positif dan 245 ulasan negatif dengan benar. Metode Naïve Bayes Classifier menghasilkan accurary, precision, dan recall masing-masing sebesar 86,4%, 88,2%, dan 83,1% dengan mengklasifikasikan 201 ulasan positif dan 231 ulasan negatif dengan benar. Hal ini menunjukkan bahwa metode Support Vector Machine memiliki performa yang lebih baik dalam pengklasifikasian sentimen positif dan negatif dibandingkan dengan metode Naïve Bayes Classifier. Kata-kata bersentimen negatif yang muncul pada visualisasi word cloud berkaitan dengan sistem sibuk, jaringan bermasalah, customer service respon lambat, perbaruhi premium yang gagal, tidak bisa tarik tunai, dan lain sebagainya. Kata-kata bersentimen positif yang sering muncul berkaitan dengan transaksi yang bebas biaya atau gratis, memudahkan transaksi, aplikasi bagus dan membantu. Berdasakan diagram fishbone faktor yang mempengaruhi pengguna memberikan ulasan negatif yaitu faktor sistem, customer service dan fitur.

Actions (login required)

View Item