IMPLEMENTASI METODE NAÏVE BAYES PADA ANALISIS SENTIMEN PENGGUNA APLIKASI MOBILE KITA BISA
DOI:
https://doi.org/10.23960/jitet.v13i2.6423Abstract Views: 324 File Views: 308
Abstract
Kita Bisa merupakan aplikasi filantropi digital yang diperuntukkan mengumpulkan dana dari berbagai aktivis guna membantu mereka yang sedang membutuhkan. Meskipun memiliki tujuan yang baik dalam pengembangan inovasi aplikasi ini, terdapat pengguna yang kurang puas terhadap fitur dan alur kerja yang ditawarkan aplikasi tersebut. Dalam memahami bagaimana sentimen pengguna, penelitian ini melakukan analisis dengan metode Naïve Bayes dan Knowledge Discovery in Database (KDD) sebagai kerangka kerja dalam analisis. Data yang digunakan diambil dari ulasan pengguna dari platform Google Play Store dengan jumlah sebanyak 1000 ulasan dan dari data tersebut yang akan digunakan hanya data dengan rentang waktu dari januari 2024 sampai dengan maret 2025. Hasil penelitian dengan implementasi metode naïve bayes menunjukkan nilai akurasi 81% yang mengindikasikan bahwa metode telah berhasil dalam menganalisis sentimen pengguna. Temuan dalam penelitian menunjukkan bahwa sentimen positif lebih dominan dan meskipun sentimen negatif berjumlah sedikit masih diperlukan adanya evaluasi dan perbaikan berdasarkan keluhan pengguna untuk pengembangan aplikasi.Downloads
References
W. Cao, A. A. Kadir, W. Tang, J. Wang, J. Yuan, and I. I. Hassan, “Effectiveness of mobile application interventions for stroke survivors: systematic review and meta-analysis,” BMC Med. Inform. Decis. Mak., vol. 24, no. 1, pp. 1–22, 2024, doi: 10.1186/s12911-023-02391-1.
F. Xin, H. Yu, X. Dong, and C. Chen, “When the customers comes to you: mobile apps and corporate investment efficiency,” Humanit. Soc. Sci. Commun., vol. 12, no. 1, pp. 1–18, 2025, doi: 10.1057/s41599-025-04625-1.
M. Y. T. Martha and I. N. Tri Anindia Putra, “Penerapan Pembelajaran Secara Daring Aplikasi Google Classroom Di Smptk Galang Kasih,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 7, no. 1, pp. 97–105, 2022, doi: 10.29100/jipi.v7i1.2414.
I. Larasati, A. N. Yusril, and P. Al Zukri, “Systematic Literature Review Analisis Metode Agile Dalam Pengembangan Aplikasi Mobile,” Sistemasi, vol. 10, no. 2, p. 369, 2021, doi: 10.32520/stmsi.v10i2.1237.
S. Ziha Fidela, M. Putri Azizah, and S. Rizka Hidayah, “Tren Pengembangan Aplikasi Mobile: Sebuah Tinjauan Literatur,” J. Tek. Mesin, Ind. Elektro Dan Inform., vol. 2, no. 4, pp. 30–48, 2023, [Online]. Available: https://doi.org/10.55606/jtmei.v2i4.2848
I Gusti Agung Putu Bagus Satria Wicaksana, Agus Aan Jiwa Permana, and Ni Putu Novita Puspa Dewi, “Pengumpulan Data Tweet Berdasarkan Kata Kunci Depresi Dan Kisah Hidup Di Kalangan Mahasiswa Berbasis Phq-9,” J. Pendidik. Teknol. dan Kejuru., vol. 21, no. 1, pp. 24–33, 2024, doi: 10.23887/jptkundiksha.v21i1.66460.
N. W. Wardani, P. G. S. C. Nugraha, and G. S. Mahendra, “Implementasi Naïve Bayes Pada Data Mining Untuk Mengklasifikasikan Penjualan Barang Terlaris Pada Perusahaan Ritel,” JST (Jurnal Sains dan Teknol., vol. 12, no. 3, pp. 656–668, 2024, doi: 10.23887/jstundiksha.v12i3.38605.
D. D. Hariyanti, G. A. Pradnyana, and I. G. M. Darmawiguna, “Kombinasi Metode Naive Bayes dan K-Medoid dalam Memprediksi Penjurusan Siswa di Sekolah Menengah Atas,” J. Ilmu Komput., vol. 14, no. 2, p. 88, 2021, doi: 10.24843/jik.2021.v14.i02.p03.
B. I. Nugroho, Z. Ma’arif, and Z. Arif, “Tinjauan Pustaka Sistematis: Penerapan Data Mining Metode Klasifikasi Untuk Menganalisa Penyalahgunaan Sosial Media,” J. Sist. Inf. dan …, vol. 3, no. 2, pp. 46–51, 2022, [Online]. Available: http://journal.peradaban.ac.id/index.php/jsitp/article/download/1265/860
I. B. G. Sarasvananda, D. Selivan, M. L. Radhitya, and I. N. T. A. Putra, “Analisis Sentimen Pada Pembelajaran Daring Di Indonesia Melalui Twitter Menggunakan Naïve Bayes Classifier,” SINTECH (Science Inf. Technol. J., vol. 5, no. 2, pp. 227–233, 2022, doi: 10.31598/sintechjournal.v5i2.1241.
G. A. Pradnyana and I. G. M. Darmawiguna, “Web-Based System for Bali Tourism Sentiment Analysis during The Covid-19 Pandemic using Django Web Framework and Naive Bayes Method,” Proc. 4th Int. Conf. Innov. Res. Across Discip. (ICIRAD 2021), vol. 613, no. Icirad, pp. 316–320, 2022, doi: 10.2991/assehr.k.211222.050.
D. Prasetia, N. Rahaningsih, R. D. Dana, and C. L. Rohmat, “ANALISIS SENTIMEN PENGGUNA APLIKASI MYBLUEBIRD DENGAN ALGORITMA NAÏVE BAYES DI PLAYSTORE,” J. Inform. dan Tek. Elektro Terap., vol. 13, no. 1, pp. 602–608, 2025.
R. Rahmadani, A. Rahim, and Rudiman, “Analisis Sentimen Ulasan ‘Ojol the Game’ Di Google Play Store Menggunakan Algoritma Naive Bayes Dan Model Ekstraksi Fitur Tf-Idf Untuk Meningkatkan Kualitas Game,” J. Inform. dan Tek. Elektro Terap., vol. 12, no. 3, pp. 2928–2936, 2024, doi: 10.23960/jitet.v12i3.4988.
C. Llatas, B. Soust-Verdaguer, L. C. Torres, and D. Cagigas, “Application of Knowledge Discovery in Databases (KDD) to environmental, economic, and social indicators used in BIM workflow to support sustainable design,” J. Build. Eng., vol. 91, no. May, p. 109546, 2024, doi: 10.1016/j.jobe.2024.109546.
A. S. Llige and C. J. T. Escuadra, “Mapping the Terrain: A Systematic Review of Drama Research Using Data Mining,” SAGE Open, vol. 14, no. 3, pp. 1–18, 2024, doi: 10.1177/21582440241285341.
Komang Aditya Pratama, Gede Aditra Pradnyana, and I Ketut Resika Arthana, “Pengembangan Sistem Cerdas Untuk Prediksi Daftar Kembali Mahasiswa Baru Dengan Metode Naive Bayes (Studi Kasus: Universitas Pendidikan Ganesha),” SINTECH (Science Inf. Technol. J., vol. 3, no. 1, pp. 22–34, 2020, doi: 10.31598/sintechjournal.v3i1.523.
Y. J. Lee, S. H. O, and J. E. Eck, “Improving Recidivism Forecasting With a Relaxed Naïve Bayes Classifier,” Crime Delinq., vol. 71, no. 1, pp. 89–117, 2023, doi: 10.1177/00111287231186093.
I. M. A. A. D. Putra, I. M. G. Sunarya, and I. G. A. Gunadi, “Perbandingan Algoritma Naive Bayes Berbasis Feature Selection Gain Ratio dengan Naive Bayes Kovensional dalam Prediksi Komplikasi Hipertensi,” JTIM J. Teknol. Inf. dan Multimed., vol. 6, no. 1, pp. 37–49, 2024, doi: 10.35746/jtim.v6i1.488.
C. Sicakyuz, S. A. Edalatpanah, and D. Pamucar, “Data mining applications in risk research : A systematic literature review,” Int. J. Knowledge-Based Intell. Eng. Syst., pp. 1–40, 2024, doi: 10.1177/13272314241296866.
L. P. Wiwien Widhyastuti, I. N. Sukajaya, and K. Y. Ernanda Aryanto, “Customer Profiling berdasarkan Model RFM dengan Metode K-Means pada Institusi Pendidikan untuk menunjang Strategi,” JTIM J. Teknol. Inf. dan Multimed., vol. 4, no. 2, pp. 94–108, 2022.
R. Shetty, M. Geetha, U. Dinesh Acharya, and G. Shyamala, “Enhancing Ovarian Tumor Dataset Analysis through Data Mining Preprocessing Techniques,” IEEE Access, vol. 12, no. August, pp. 122300–122312, 2024, doi: 10.1109/ACCESS.2024.3450520.
W. A. Awadh, R. B. Sulaiman, and M. A. Mahmoud, Aspect-based sentiment analysis in MOOCs: a systematic literature review introducing the MASC-MEF framework, vol. 37, no. 1. 2025. doi: 10.1007/s44443-025-00018-1.
L. Davoodi, J. Mezei, and M. Heikkilä, Aspect-based sentiment classification of user reviews to understand customer satisfaction of e-commerce platforms, no. 0123456789. Springer US, 2025. doi: 10.1007/s10660-025-09948-4.
M. Maghsoudi, M. Bakhtiari, and H. Bakhtiari, “Global Perspectives on Laptop Features: A Sentiment Analysis of User Preferences in Developed and Developing Countries,” IEEE Access, vol. 13, no. November 2024, pp. 9102–9119, 2025, doi: 10.1109/ACCESS.2025.3528324.
A. Albladi, M. Islam, and C. Seals, “Sentiment Analysis of Twitter data using NLP Models: A Comprehensive Review,” IEEE Access, vol. 13, no. February, pp. 30444–30468, 2025, doi: 10.1109/ACCESS.2025.3541494.
