ANALISIS SENTIMEN APLIKASI HALO BCA DI GOOGLE PLAY STORE MENGGUNAKAN METODE NAIVE BAYES, SUPPORT VECTOR MACHINE DAN RANDOM FOREST
DOI:
https://doi.org/10.52972/hoaq.vol15no2.p69-79Keywords:
analisis sentimen, Halo BCA, Naive Bayes, Support Vector Machine, Random ForestAbstract
Penelitian ini bertujuan menganalisis sentimen pengguna terhadap aplikasi Halo BCA di Google Play Store menggunakan tiga metode machine learning yaitu Naive Bayes, Support Vector Machine (SVM), dan Random Forest. Data diperoleh melalui web scraping dari ulasan pengguna di Google Play Store dengan total 6.313 ulasan. Data tersebut melalui tahap preprocessing yang meliputi cleaning, case folding, normalisasi kata, tokenization, stopword, dan stemming. Pelabelan dilakukan berdasarkan rating: rating 1-2 sebagai sentimen negatif, rating 3 sebagai netral, dan rating 4-5 sebagai positif. Hasil pelabelan menunjukkan 4.071 ulasan positif (64,6%), 2.059 ulasan negatif (32,5%), dan 183 ulasan netral (2,9%). Berdasarkan perbandingan ketiga metode, Random Forest memberikan performa terbaik dengan akurasi 90,01%, presisi 0,90, recall 0,90, dan F1-score 0,90, diikuti oleh Support Vector Machine dengan akurasi 86,86%, serta Naive Bayes dengan akurasi 81,42%. Analisis wordcloud menunujukan bahwa sentimen positif didominasi oleh kepuasan terhadap kualitas aplikasi dan kemudahan penggunaan, sedangkan sentimen negatif lebih banyak terkait dengan masalah teknis dan kesulitan akses. Untuk sentimen netral, ulasan cenderung mencerminkan pengalaman penggunaan yang biasa saja. Hasil penelitian ini dapat menjadi masukan bagi pengembang aplikasi Halo BCA dalam meningkatkan kualitas layanan, terutama dalam mengatasi masalah teknis dan aksesibilitas yang menjadi sumber utama keluhan pengguna.
References
I. D. Onantya and P. P. Adikara, “Analisis Sentimen Pada Ulasan Aplikasi BCA Mobile Menggunakan BM25 dan Improved K-Nearest Neighbor,” J-Ptiik.Ub.Ac.Id, vol. 3, no. 3, pp. 2575–2580, 2019.
E. Fitri, “Sentiment Analysis of the Ruangguru Application Using Naive Bayes, Random Forest and Support Vector Machine Algorithms,” J. Transform., vol. 18, no. 1, p. 71, 2020.
F. A. Larasati, D. E. Ratnawati, and B. T. Hanggara, “Analisis Sentimen Ulasan Aplikasi Dana dengan Metode Random Forest,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 6, no. 9, pp. 4305–4313, 2022.
T. Fadiyah Basar, D. E. Ratnawati, and I. Arwani, “Analisis Sentimen Pengguna Twitter terhadap Pembayaran Cashless menggunakan Shopeepay dengan Algoritma Random Forest,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 6, no. 3, pp. 1426–1433, 2022, [Online]. Available: http://j-ptiik.ub.ac.id
M. F. Naufal, T. Arifin, and H. Wirjawan, “Analisis Perbandingan Tingkat Performa Algoritma SVM, Random Forest, dan Naïve Bayes untuk Klasifikasi Cyberbullying pada Media Sosial,” J. Ris. Sist. Inf. dan Tek. Inform., vol. 8, p. 82, 2023, [Online]. Available: https://tunasbangsa.ac.id/ejurnal/index.php/jurasik
R. Wati and S. Ernawati, “Analisis Sentimen Persepsi Publik Mengenai PPKM Pada Twitter Berbasis SVM Menggunakan Python,” J. Tek. Inform. UNIKA St. Thomas, vol. 06, pp. 240–247, 2021, doi: 10.54367/jtiust.v6i2.1465.
F. Bei and S. Sudin, “Analisis Sentimen Aplikasi Tiket Online Di Play Store Menggunakan Metode Support Vector Machine (Svm),” Sismatik, vol. 01, no. 01, pp. 91–97, 2021.
D. G. Nugroho, Y. H. Chrisnanto, and A. Wahana, “Analisis Sentimen pada Jasa Ojek Online. (Nugroho dkk.),” pp. 156–161, 2015.
M. R. Fais Sya’ bani, U. Enri, and T. N. Padilah, “Analisis Sentimen Terhadap Bakal Calon Presiden 2024 Dengan Algoritme Naïve Bayes,” JURIKOM (Jurnal Ris. Komputer), vol. 9, no. 2, p. 265, 2022, doi: 10.30865/jurikom.v9i2.3989.
M. K. Insan, U. Hayati, and O. Nurdiawan, “Analisis Sentimen Aplikasi Brimo pada Ulasan Pengguna Di,” J. Mhs. Tek. Inform., vol. 7, no. 1, pp. 478–483, 2023.
P. H. Saputro, M. Aristin, and Dy. L. Tyas, “Klasifikasi Lagu Daerah Indonesia Berdasarkan Lirik Menggunakan Metode Tfidf Dan Naïve Bayes,” J. Teknol. Inform. dan Terap., vol. 4, no. 1, pp. 45–50, 2017.
Z. Zhu, J. Liang, D. Li, H. Yu, and G. Liu, “Hot Topic Detection Based on a Refined TF-IDF Algorithm,” IEEE Access, vol. 7, pp. 26996–27007, 2019, doi: 10.1109/ACCESS.2019.2893980.
R. Siringoringo, “Klasifikasi Data Tidak Seimbang Menggunakan Algoritma Smote dan K-Nearest Neighbor,” J. ISD, vol. 3, no. 1, pp. 44–49, 2018.
A. J. Tobing and A. Febriandirza, “Analisis Sentimen Aplikasi Mobile Bangking Bca Pada Ulasan Pengguna di Google Play Store Menggunakan Metode Naive Bayes,” J. Inf. Syst. Res., vol. 5, no. 4, pp. 998–1005, 2024, doi: 10.47065/josh.v5i4.5485.
R. W. Pratiwi, S. F. H, D. Dairoh, D. I. Af’idah, Q. R. A, and A. G. F, “Analisis Sentimen Pada Review Skincare Female Daily Menggunakan Metode Support Vector Machine (SVM),” J. Informatics, Inf. Syst. Softw. Eng. Appl., vol. 4, no. 1, pp. 40–46, 2021, doi: 10.20895/inista.v4i1.387.
T. B. Rohman, D. Dwi Purwanto, and J. Santoso, “Sentiment Analysis Terhadap Review Rumah Makan di Surabaya Memanfaatkan Algoritma Random Forest,” Fak. Sist. Inf., vol. 60284, 2018.
O. I. Gifari, M. Adha, F. Freddy, and F. F. S. Durrand, “Film Review Sentiment Analysis Using TF-IDF and Support Vector Machine,” J. Inf. Technol., vol. 2, no. 1, pp. 36–40, 2022.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2024 HOAQ (High Education of Organization Archive Quality) : Jurnal Teknologi Informasi
This work is licensed under a Creative Commons Attribution 4.0 International License.
Jurnal HOAQ (High Education of Organization Archive Quality) : Jurnal Teknologi Informasi diterbitkan berdasarkan lisensi Creative Commons Attribution 4.0 International License (CC BY 4.0). Lisensi ini memungkinkan setiap orang untuk Berbagi: menyalin dan mendistribusikan kembali materi ini dalam format atau bentuk apapun; Adaptasi: merombak, mengubah, dan membuat turunan dari materi ini untuk keperluan apa pun, termasuk keperluan komersial, asalkan mereka memberikan pengakuan kepada Penulis Asli atas hasil karya aslinya.
