Analisis Sentimen Maxim dengan Perbandingan Chi Square dan MI pada Naive Bayes
DOI:
https://doi.org/10.31004/jptam.v8i1.14669Keywords:
Analisis Sentimen, Chi Square, Maxim, Mutual Information, Naive BayesAbstract
Pesatnya perkembangan teknologi digital berdampak besar bagi manusia, terutama dengan meningkatnya popularitas layanan transportasi online. Saat ini penggunaan transportasi online masih didominasi oleh Gojek kemudian diikuti oleh Grab dan Maxim. Maxim adalah perusahaan transportasi online di Indonesia yang menawarkan berbagai layanan melalui aplikasinya. Meskipun menawarkan tarif yang lebih murah daripada Gojek dan Grab, persentase penggunaan Maxim masih tertinggal. Untuk mengetahui faktor penyebabnya, dilakukan analisis sentimen dari ulasan pengguna aplikasi Maxim di Google Play. Analisis sentimen ini dilakukan dengan menggunakan metodologi KDD dengan tahapan berikut: data selection, preprocessing, transformation, data mining dan evaluation. Pada proses penelitian digunakan algoritme Naive Bayes dengan seleksi fitur Chi Square dan Mutual Information untuk mengoptimalkan pengklasifikasian. Data yang digunakan merupakan data ulasan dari Google Play sebanyak 1820 data yang terdiri dari 961 data positif dan 859 data negatif. Hasil klasifikasi menggunakan algoritme Naive Bayes dengan seleksi fitur Chi Square menghasilkan tingkat akurasi terbesar yaitu 96,97%, precision 97%, recall 97%, f1-score 97% yang menghasilkan prediksi 978 data positif dan 842 data negatif.References
Cahya, D., & Buani, P. (2021). Penerapan Algoritma Naïve Bayes dengan Seleksi Fitur Algoritma Genetika Untuk Prediksi Gagal Jantung. Jurnal Sains Dan Manajemen, 9(2).
Fahlevvi, M. R. (2022). Analisis Sentimen Terhadap Ulasan Aplikasi Pejabat Pengelola Informasi dan Dokumentasi Kementerian Dalam Negeri Republik Indonesia di Google Playstore Menggunakan Metode Support Vector Machine. Jurnal Teknologi Dan Komunikasi Pemerintahan, 4(1), 1–13. http://ejournal.ipdn.ac.id/JTKP,
Gormantara, A., & Boli Watomakin, D. (2020). Klasifikasi Kategori dan Pelabelan Berita Bahasa Indonesia Menggunakan Mutual Information Dan K-Nearest Neighbor.
Gunawan, B., Pratiwi, H. S., & Pratama, E. E. (2018). Sistem Analisis Sentimen pada Ulasan Produk Menggunakan Metode Naive Bayes. Jurnal Edukasi Dan Penelitian Informatika, 4(2), 17–29. www.femaledaily.com
Imron Maulana, M., & Andy Soebroto, A. (2019). Klasifikasi Tingkat Stres Berdasarkan Tweet pada Akun Twitter menggunakan Metode Improved k-Nearest Neighbor dan Seleksi Fitur Chi-square (Vol. 3, Issue 7). http://j-ptiik.ub.ac.id
Kapriani, Asmawiyah, Thaha, S., & Hariyanti. (2021). Analisis Pengaruh Harga dan Kualitas. Al-Buhuts, 17(1), 142–161.
Kardian, A. R., & Gustiana, D. (2021). Analisis Sentimen Berdasarkan Opini Pengguna pada Media Twitter Terhadap BPJS Menggunakan Metode Lexicon Based dan Naïve Bayes Classifier. Jurnal Ilmiah Komputasi, 20(1). https://doi.org/10.32409/jikstik.20.1.401
Kevin, V., Que, S., Analisis, :, Transportasi, S., Iriani, A., & Purnomo, H. D. (2020). Analisis Sentimen Transportasi Online Menggunakan Support Vector Machine Berbasis Particle Swarm Optimization (Online Transportation Sentiment Analysis Using Support Vector Machine Based on Particle Swarm Optimization). In Jurnal Nasional Teknik Elektro dan Teknologi Informasi | (Vol. 9, Issue 2). www.tripadvisor.com,
Khoirul, M., Hayati, U., & Nurdiawan, O. (2023). Analisis Sentimen Aplikasi BRIMO Pada Ulasan Pengguna di Google Play Menggunakan Algoritma Naive Bayes. In Jurnal Mahasiswa Teknik Informatika (Vol. 7, Issue 1).
Kisworini, R. Y., & Setiawan, M. A. (2020). Peningkatan Performa Naivee Bayes Dengan Seleksi Atribut Menggunakan Chi Square Untuk Klasifikasi Loyalitas Pelanggan Grab. Journal of Informatics, Information System, Software Engineering and Applications, 2(2), 69–075. https://doi.org/10.20895/INISTA.V2I2
Maxim. (2023). Maxim Indonesia. https://id.taximaxim.com/
Nofriansyah, D., & Nurcahyo, G. W. (2015). Algoritma Data Mining dan Pengujian (1st ed.). Deepublish.
Prakarsya, A., & Prambayun, A. (2020). Implementasi Data Mining Untuk Prediksi Penyebaran Virus HIV/AIDS di Bandar Lampung dengan Teknik Decision Tree. Jurnal Siskomti, 3(2). http://www.ejournal.lembahdempo.ac.id
Pratondo, D. A. (2023). Pengembangan Sistem Rekomendasi Berbasis Content-based Filtering pada Data Dinamis.
Sugianto, N. A., Cholissodin, I., & Widodo, A. W. (2018). Klasifikasi Keminatan Menggunakan Algoritme Extreme Learning Machine dan Particle Swarm Optimization untuk Seleksi Fitur (Studi Kasus: Program Studi Teknik Informatika FILKOM UB) (Vol. 2, Issue 5). http://j-ptiik.ub.ac.id
Supriyanto, J., Alita, D., & Rahman Isnain, A. (2023). Penerapan Algoritma K-Nearest Neighbor (K-NN) Untuk Analisis Sentimen Publik Terhadap Pembelajaran Daring. JURNAL INFORMATIKA DAN REKAYASA PERANGKAT LUNAK (JATIKA), 4, 74–80. https://doi.org/10.33365/jatika.v4i1.2468
Tanggraeni, A. I., & Sitokdana, M. N. N. (2022). Analisis Sentimen Aplikasi E-Government Pada Google Play Menggunakan Algoritma Naïve Bayes. Jurnal Teknik Informatika Dan Sistem Informasi, 9(2), 785–795.
Ulfa, M. A. (2018). Analisis Sentimen Twitter Menggunakan Naïve Bayes Classifier dengan Seleksi Fitur Mutual Information [Tugas Akhir, Universitas Mataram]. http://eprints.unram.ac.id/5961/1/Jurnal%20Untuk%20UPT.pdf
Wahyudi, R., Kusumawardhana, G., Purwokerto, A., Letjend, J., Soemarto, P., Purwanegara, K., Purwokerto, T., & Banyumas, K. (2021). Analisis Sentimen pada review Aplikasi Grab di Google Play Store Menggunakan Support Vector Machine. JURNAL INFORMATIKA, 8(2). http://ejournal.bsi.ac.id/ejurnal/index.php/ji
Winata, W., Zaidiah, A., & Chamidah, N. (2022). Analisis Sentimen pada Ulasan Produk Masker di Marketplace Shopee Menggunakan Support Vector Machine dan Seleksi Fitur Chi Square.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2024 Dwinda Putri Nuria
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work’s authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal’s published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).