Analisis Sentimen dan Pemodelan Ulasan Aplikasi AdaKami Menggunakan Algoritma SVM dan KNN

Article Sidebar

PDF
Published Aug 31, 2023
DOI https://doi.org/10.33050/sensi.v9i2.2914

Main Article Content

Dea Safryda Putri
Universitas Singaperbangsa Karawang
Nina Sulistiyowati
Universitas Singaperbangsa Karawang
Apriade Voutama
Universitas Singaperbangsa Karawang

Abstract

Salah satu aplikasi pinjaman uang online populer di Google Play Store yaitu aplikasi AdaKami. Bagi calon pengguna, ulasan mampu memberikan detail pengalaman penggunaan aplikasi. Bagi pihak perusahaan, ulasan pengguna dapat menjadi acuan evaluasi aplikasi. Masalah yang ditemukan yaitu jumlah dan keragaman ulasan pengguna aplikasi AdaKami yang tidak efisien untuk dibaca satu per satu sehingga perlu dilakukan analisis sentimen dan pemodelan. Tujuan penelitian ini yaitu mengetahui reputasi aplikasi berdasarkan sentimen dominan dalam ulasan pengguna dan membuat model analisis sentimen yang optimal. Penelitian ini menggunakan Metode SEMMA, dengan 1.000 data ulasan bersumber dari Google Play Store, melalui proses sampling dan labelling (negatif, positif, netral). Dalam pemodelan analisis sentimen, diujicobakan tiga variabel yaitu metode pelabelan (manual dan leksikon), algoritma (SVM dan KNN) dan proporsi pembagian data (data latih : data uji = 90:10, 80:20, 70:30, 60:40 dan 50:50) yang disajikan dalam bentuk 20 skenario. Hasil penelitian menunjukkan bahwa sentimen paling dominan adalah positif dan model paling optimal yaitu model skenario 6 yang menggunakan algoritma SVM, metode pelabelan manual dan proporsi 90:10. Model tersebut memiliki performa 93% accuracy, 93% precision, 93% recall dan 92% f1-score.

Article Details

How to Cite
Putri, D., Sulistiyowati, N., & Voutama, A. (2023). Analisis Sentimen dan Pemodelan Ulasan Aplikasi AdaKami Menggunakan Algoritma SVM dan KNN. Journal Sensi: Strategic of Education in Information System, 9(2), 209-225. https://doi.org/https://doi.org/10.33050/sensi.v9i2.2914
Issue
Vol 9 No 2 (2023): Journal Sensi
Section
Articles
Author Biographies

Dea Safryda Putri, Universitas Singaperbangsa Karawang

Program Studi Sistem Informasi, Fakultas Ilmu Komputer

Nina Sulistiyowati, Universitas Singaperbangsa Karawang

Program Studi Sistem Informasi, Fakultas Ilmu Komputer

Apriade Voutama, Universitas Singaperbangsa Karawang

Program Studi Sistem Informasi, Fakultas Ilmu Komputer

References

[1] T. Hidayati, Ismayani, Y. T. Tanjung, and L. Faqrurrowzi, “Sosialisasi Peran Dan Risiko Pinjaman Online,” J. Liaison Acad. Soc., vol. 2, no. 4, pp. 107–113, 2022, doi: 435-1126-1-SM.

[2] Google Play Store, “Google Play Store,” play.google.com, 2022. play.google.com/store/apps/category/FINANCE.

[3] R. Wahyudi and G. Kusumawardhana, “Analisis Sentimen pada Aplikasi Grab di Google Play Store Menggunakan Support Vector Machine,” J. Inform., vol. 8, no. 2, pp. 200–207, 2021, doi: 10.31294/ji.v8i2.9681.

[4] E. H. Muktafin, K. Kusrini, and E. T. Luthfi, “Analisis Sentimen pada Ulasan Pembelian Produk di Marketplace Shopee Menggunakan Pendekatan Natural Language Processing,” J. Eksplora Inform., vol. 10, no. 1, pp. 32–42, 2020, doi: 10.30864/eksplora.v10i1.390.

[5] E. Novalia, A. Voutama, and S. Susanto, “Sales System Using Apriori Algorithm to Analyze Consumer Purchase Patterns,” Buana Inf. Technol. Comput. Sci. (BIT CS), vol. 3, no. 1, pp. 11–16, Jan. 2022, doi: 10.36805/bit-cs.v3i1.2049.

[6] N. M. Maghfur, F. Muhammad, and A. Voutama, “Analysis of the Relationship between Public Sentiment on Social Media and Indonesian Covid-19 Dynamics,” Systematics, vol. 3, no. 3, pp. 336–345, 2021.

[7] D. W. Ardras, A. Voutama, S. Informasi, I. Komputer, U. S. Karawang, and T. Timur, “ANALISIS SENTIMEN ANTI LGBT DI INDONESIA MELALUI MEDIA SOSIAL,” vol. 15, no. 1, pp. 23–28, 2023, doi: 10.30736/jt.v15i1.926.

[8] D. L. Rianti et al., “TREN MARKETPLACE BERDASARKAN KLASIFIKASI ULASAN PELANGGAN MENGGUNAKAN PERBANDINGAN KERNEL,” vol. 6, no. 1, pp. 98–105, 2021.

[9] A. Yoga Pratama et al., “Analisis Sentimen Media Sosial Twitter Dengan Algoritma K-Nearest Neighbor Dan Seleksi Fitur Chi-Square (Kasus Omnibus Law Cipta Kerja),” J. Sains Komput. Inform. (J-SAKTI, vol. 5, no. 2, pp. 897–910, 2021.

[10] N. Sulistiyowati, M. Jajuli, T. Informatika, and U. Singaperbangsa, “Integrasi naïve bayes dengan teknik sampling smote untuk menangani data tidak seimbang,” vol. 14, pp. 34–37, 2020.

[11] C. M. Sitorus, A. Rizal, and M. Jajuli, “Prediksi Risiko Perjalanan Transportasi Online Dari Data Telematik Menggunakan Algoritma Support Vector Machine,” J. Tek. Inform. dan Sist. Inf., vol. 6, no. 2, pp. 254–265, 2020, doi: 10.28932/jutisi.v6i2.2672.

[12] U. Kulsum, M. Jajuli, and N. Sulistiyowati, “Analisis Sentimen Aplikasi WETV di Google Play Store Menggunakan Algoritma Support Vector Machine,” vol. 6, no. 2, pp. 205–212, 2022.

[13] N. A. Rahma, Garno, and N. Sulistiyowati, “Analisis Sentimen Tempat Wisata Di Jakarta Pasca Covid -19 Dengan Algoritma Naïve Bayes,” J. Pendidik. dan Konseling Vol., vol. 4, no. 6, pp. 5894–5908, 2022.

[14] A. Muhammadin and I. A. Sobari, “Analisis Sentimen Pada Ulasan Aplikasi Kredivo Dengan Algoritma Svm Dan Nbc,” Reputasi J. Rekayasa Perangkat Lunak, vol. 2, no. 2, pp. 85–91, 2021, doi: 10.31294/reputasi.v2i2.785.

[15] Mussalimun, E. H. Khasby, G. I. Dzikrillah, and Muljono, “Comparison of K- N earest Neighbor (K -NN) and Naïve Bayes Algorithm for Sentiment Analysis on Google Play Store Textual Reviews,” in 2021 8th International Conference on Information Technology, Computer and Electrical Engineering (ICITACEE), Sep. 2021, pp. 180–184, doi: 10.1109/ICITACEE53184.2021.9617217.

[16] V. Bonta, N. Kumaresh, and N. Janardhan, “A Comprehensive Study on Lexicon Based Approaches for Sentiment Analysis,” Asian J. Comput. Sci. Technol., vol. 8, no. S2, pp. 1–6, 2019, doi: 10.51983/ajcst-2019.8.s2.2037.

[17] D. P. Santoso and W. Wibowo, “Analisis Sentimen Ulasan Aplikasi Buzzbreak Menggunakan Metode Naïve Bayes Classifier pada Situs Google Play Store,” J. Sains dan Seni ITS, vol. 11, no. 2, 2022, doi: 10.12962/j23373520.v11i2.72534.

[18] G. Hackeling, Mastering Machine Learning with scikit-learn. 2017.

[19] Z. DeVries et al., “Using a national surgical database to predict complications following posterior lumbar surgery and comparing the area under the curve and F1-score for the assessment of prognostic capability,” Spine J., vol. 21, no. 7, pp. 1135–1142, Jul. 2021, doi: 10.1016/j.spinee.2021.02.007.

[20] Yuyun, Nurul Hidayah, and Supriadi Sahibu, “Algoritma Multinomial Naïve Bayes Untuk Klasifikasi Sentimen Pemerintah Terhadap Penanganan Covid-19 Menggunakan Data Twitter,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 4, pp. 820–826, 2021, doi: 10.29207/resti.v5i4.3146.