Analisis Kinerja Komparatif Metode Machine Learning Dalam Klasifikasi Sentimen Terhadap Ulasan  Aplikasi Dompet Digital

Willi Yanto; Mega Lastarida Panjaitan; Vincent Khosandy; Jepri Banjarnahor

doi:10.30865/json.v6i4.8831

Authors

Willi Yanto Universitas Prima Indonesia
Mega Lastarida Panjaitan Universitas Prima Indonesia
Vincent Khosandy Universitas Prima Indonesia
Jepri Banjarnahor Universitas Prima Indonesia

DOI:

https://doi.org/10.30865/json.v6i4.8831

Keywords:

Aplikasi Dompet Digital, Analisis Sentimen, Data Scraping, Machine Learning

Abstract

Saat ini, kemajuan teknologi telah merambah di berbagai aspek kehidupan, termasuk sektor keuangan. Salah satu teknologi keuangan yang populer digunakan di Indonesia adalah dompet digital. Penggunaan aplikasi dompet digital memungkinkan transaksi keuangan dilakukan secara daring tanpa perlu menggunakan uang tunai atau kartu fisik, mendukung sistem pembayaran non-tunai (cashless). Aplikasi dompet digital yang sangat populer saat ini, seperti Dana, OVO, dan Gopay, memiliki banyak pengguna, sehingga sering kali terdapat ulasan yang tidak relevan dengan aplikasi serta rating yang diberikan di Google Play Store. Tujuan penelitian ini adalah untuk membandingkan performa empat algoritma machine learning, yaitu Random Forest, K-Nearest Neighbors (KNN), Support Vector Machine (SVM), dan Naïve Bayes dalam melakukan analisis sentimen pada ulasan aplikasi dompet digital. Data ulasan dompet digital diperoleh melalui teknik data scraping dan selanjutnya dilakukan text preprocessing untuk membersihkan teks agar dapat dieksekusi dengan baik. Hasil penelitian menunjukkan bahwa algoritma Naïve Bayes dan Random Forest memiliki performa terbaik dalam analisis sentimen aplikasi dompet digital. Naïve Bayes mencapai akurasi tertinggi pada aplikasi Gopay dengan nilai 84.44%, recall 84.44%, dan F1-score 82.44%. Sementara itu, Random Forest menunjukkan performa yang konsisten dengan akurasi terbaik pada aplikasi OVO sebesar 81.82% dan recall 81.82%, serta pada aplikasi Gopay dengan akurasi 83.06% dan F1-score 80.84%. Hal ini menunjukkan bahwa kedua algoritma tersebut memiliki potensi yang baik dalam menganalisis sentimen ulasan aplikasi dompet digital

References

N. R. Shantika, A. L. Ardiatama, Oktania Purwaningrum, Y. Y. Putra, and A. O. Syafira, “Analisis Adopsi Inovasi Teknologi Informasi Dompet Digital DANA Menggunakan InnovationDiffusion Theory (IDT),” J. Inf. Syst. Artif. Intell., vol. 2, no. 2, pp. 1–8, 2022.

Panday, R., (2020). Dampak COVID19 Pada Kesiapan Teknologi dan Penerimaan Teknologi di Kampus. Jurnal Kajian Ilmiah, 1(1).

Zada, C., Sopiana, Y., (2021). “Penggunaan E-Wallet atau Dompet Digital sebagai Alat Transaksi Pengganti Uang Tunai Bagi UMKM di Kecamatan Banjarmasin Tengah”. JIEP, vol. 4, no. 1.

Krismajayanti, N. P. A., Nurmalasari, M. R., Prawitasari, P. P., Dewiningrat, A. I., Megawati, I. A. P., Kusnita, K. L., Sanjiwani, P. D. A. S., (2024). Tren Revolusioner: Bagaimana E-Wallet Mengubah Kosumen di Era Modern. vol. 2, no. 1. https://doi.org/10.51875/jibms.v5i1.285

Samara, A. (2023). “Pengaruh Kemudahan Penggunaan, Pengalaman Pengguna dan Kepuasan Pelanggan Terhadap Loyalitas Pelanggan Pada Penggunaan Aplikasi Dompet Digital ( E- Wallet)” di kalangan Mahasiswa Universitas Buddhi Dharma 1(2).

Guzman, E., & Maalej, W. (2014). How do users like this feature? A fine grained sentiment analysis of App reviews. 2014 IEEE 22nd International Requirement Engineering Conference..

Rustiana and N. Rahayu, “Analisis Pasar Otomatif Mobil: Tweet Twitter Menggunakan Naive Bayes,” Simetris J. Tek. Mesin, Elekro dan ilmu komput., vol. 8, no, 1, pp. 113-120,2017, doi: 10.24176/ simet.v8i1.841

Ines Nursatika Kusuma, Irfan Ali , “Analisis Sentimen Pengguna Aplikasi Dana Menggunakan Algoritma Naive Bayes, Vol. 8 No. 2, April 2024

A. Nurian, “Analisis Sentimen Ulasan Pengguna Aplikasi Google Play Menggunakan Naïve Bayes, “ J. Infrom. dan Tek. Elektro terap., vol. 11, no. 3sl, pp. 829-835, 2023, doi: 10.23960/jitet.v11i3s1.3348.

M. A. Adli and L. Firgia, “Rancang Bangun Web Scraping pada Media Online Berita Nasional,” J. ENTER, Vol. 1, pp. 118–128, 2018.

F. Emsa Zamani, “Sentiment Analysis and Twitter Social Media Visualization Regarding the Omnibus Law Draft,” CoreID Journal, vol. 1, no. 1, pp. 11–20, 2023, doi: 10.60005/coreid.v1i1.4.)

Buntoro, G. A., Adji, T. B., & Purnamasari, A. E. 2014. Sentiment Analysis Twitter dengan Kombinasi Lexicon Based dan Double Propagation. CTIEE. Halaman 39-43.

Irawan, F. A., Atmadja, A. R., Wahana, A., (2024). Analisis Sentimen Ulasan Aplikasi Bank Digital Menggunakan Algoritma Naïve Bayes, Explorer, vol. 4, no. 2, https://doi.org/10.47065/explorer.v4i2.1181

Analisis Sentimen Data Tweets terhadap Penanganan Covid-19 di Indonesia menggunakan Metode Naïve Bayes dan Pemilihan Kata Bersentimen menggunakan Lexicon Based Abdul Azis Adjie Sumanjaya1 , Indriati2 , Achmad Ridok3

E. Fitri, Y. Yuliani, S. Rosyida, and W. Gata, “Analisis Sentimen Terhadap Aplikasi Ruangguru Menggunakan Algoritma Naïve Bayes , Random Forest Dan Support Vector Machine,” TRANSFORMTIKA, vol. 18, no. 1, pp. 71–80, 2020.)

N. N. Dzikrulloh and B. D. Setiawan, “Penerapan Metode K – Nearest Neighbor ( KNN ) dan Metode Weighted Product ( WP ) Dalam Penerimaan Calon Guru Dan Karyawan Tata Usaha Baru Berwawasan Teknologi ( Studi Kasus : Sekolah Menengah Kejuruan Muhammadiyah 2 Kediri ),” Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 1, no. 5, pp. 378–385, 2017.

Vankdothu, R., & Hameed, M. A. (2022). Brain tumor segmentation of MR images using SVM and fuzzy classifier in machine learning. Measurement: Sensors, 24. https://doi.org/10.1016/j.measen.2022.100440

Pebdika, A., Herdiana, R., Solihudin, D., (2023). "Klasifikasi Menggunakan Metode Naïve Bayes Untuk Menentukan Calon Penerima PIP". JATI, vol. 7, no. 1.

(R. Vincent, I. Maulana, and O. Komarudin, “Perbandingan Klasifikasi Naïve Bayes Dan Support Vector Machine Dalam Analisis Sentimen Dengan Multiclass Di Twitter,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 4, pp. 2496–2505, 2023.)

Yang, J. S., Zhao, C. Y., Yu, H. T., & Chen, H. Y. (2020). Use GBDT to Predict the Stock Market. Procedia Computer Science, 174. https://doi.org/10.1016/j.procs.2020.06.071

Turki, T., & Roy, S. S. (2022a). Novel Hate Speech Detection Using Word Cloud Visualization and Ensemble Learning Coupled with Countvectorizer. Applied Sciences (Switzerland), 12(13). https://doi.org/10.3390/app12136611