PENERAPAN ALGORITMA SUPPORT VECTOR MACHINE  TERHADAP ANALISIS SENTIMEN PADA ULASAN APLIKASI LINKAJA

Elvin Alan Pratama; Aji Primajaya; Iqbal Maulana

doi:10.23960/jitet.v13i3.6616

Authors

Elvin Alan Pratama Universitas Singaperbangsa Karawang
Aji Primajaya Universitas Singaperbangsa Karawang
Iqbal Maulana Universitas Singaperbangsa Karawang

DOI:

https://doi.org/10.23960/jitet.v13i3.6616

Abstract Views: 73 File Views: 42

Abstract

Kehadiran dompet digital berperan dalam meningkatnya volume transaksi uang elektronik di Indonesia. LinkAja merupakan salah satu dompet digital dengan rating dan pengguna terendah di Indonesia dibandingkan dompet digital lainnya. Penelitian ini bertujuan untuk menerapkan model klasifikasi Support Vector Machine (SVM) dalam analisis sentimen ulasan pengguna LinkAja serta menginterpretasikan hasilnya sebagai rekomendasi peningkatan layanan. Metode yang digunakan dalam penelitian ini adalah Knowledge Discovery in Database (KDD) dalam text mining. Proses dalam penelitian ini melibatkan beberapa tahapan, yaitu data selection, data preprocessing, data transformation, data mining, evaluation dan knowledge. Dataset diperoleh dengan teknik scraping dari Google Plays Store menggunakan Python, didapatkan 2,000 ulasan dari Januari hingga November 2024, dengan 944 ulasan positif dan 1,056 ulasan negatif. Model terbaik diperoleh pada skenario pembagian data 70:30 dengan performa unggul, yaitu accuracy 88%, precision 90%, recall 83%, dan F1-score 87%. Hasil word cloud menunjukkan kata-kata yang sering muncul pada tiap kelas sentimen. Pada sentimen positif, kata-kata seperti "aplikasi" dan "saldo" mendominasi, hal ini menunjukkan kemudahan penggunaan dan pengiriman saldo. Sementara itu pada sentimen negatif didominasi oleh "aplikasi" dan "pakai", hal ini mengindikasikan bahwa pengguna terkendala saat menggunakan aplikasi tersebut. Melaui tenkik Root Cause Analyisis (RCA) mengidentifikasi enam faktor yang memengaruhi kepuasan pengguna, diantaranya dukungan pelanggan yang kurang, crash pada perangkat rendah, kendala pada koneksi, UI/UX yang membingungkan, dan minimnya pemantauan bug. Hasil dari pencarian akar masalah ini kemudian divisualisasikan dalam Diagram Ishikawa.

Downloads

Download data is not yet available.

References

Y. Faizal, O. K. Zaini, and Hasrul, “Analisis Faktor-Faktor Yang Menentukan Perilaku Konsumen Smartphone Xiaomi (Studi Pada Mahasiswa/I Fakultas Ekonomi Dan Bisnis Universitas Pakuan Tahun 2022),” NAMARA: Jurnal Management Pratama, vol. 1, no. 1, pp. 1–17, 2022.

B. J. Blažič and A. J. Blažič, “Overcoming the digital divide with a modern approach to learning digital skills for the elderly adults,” Educ Inf Technol (Dordr), vol. 25, no. 1, pp. 259–279, 2020, doi: 10.1007/s10639-019-09961-9.

Y. Sari and E. Winarni, “The Impact of Cryptocurrency and Electronic Money Use On The Circulating Money Supply and Monetary Stability in Indonesia Cryptocurrency in Indonesia,” Nomico Journal, vol. 1, no. 8, pp. 78–93, 2024.

Harnelia and A. R. Saputra, “ANALISIS SENTIMEN REVIEW SKINCARE SKINTIFIC DENGAN ALGORITMA SUPPORT VECTOR MACHINE (SVM),” Jurnal Informatika dan Teknik Elektro Terapan, vol. 12, no. 2, Apr. 2024, doi: 10.23960/jitet.v12i2.4095.

M. Isnan, G. N. Elwirehardja, and B. Pardamean, “Sentiment Analysis for TikTok Review Using VADER Sentiment and SVM Model,” Procedia Comput Sci, vol. 227, pp. 168–175, 2023, doi: 10.1016/j.procs.2023.10.514.

X. Zhang, Encyclopedia of Machine Learning and Data Mining, vol. 3, no. 1959. 2017. doi: 10.1007/978-1-4899-7687-1.

X.-D. Zhang, “Support Vector Machines ( SVM ),” Gesture, vol. 23, no. 6, pp. 349–361, 2001, doi: 10.1016/B978-0-12-804494-0.00015-2.

M. Isnan, G. N. Elwirehardja, and B. Pardamean, “Sentiment Analysis for TikTok Review Using VADER Sentiment and SVM Model,” Procedia Comput Sci, vol. 227, pp. 168–175, 2023, doi: 10.1016/j.procs.2023.10.514.

M. F. N. Fathoni, E. Y. Puspaningrum, and A. N. Sihananto, “Perbandingan Performa Labeling Lexicon InSet dan VADER pada Analisa Sentimen Rohingya di Aplikasi X dengan SVM,” Modem : Jurnal Informatika dan Sains Teknologi., vol. 2, no. 3, pp. 62–76, 2024, doi: 10.62951/modem.v2i3.112.

N. P. Wahyuningtyas, D. E. Ratnawati, and N. Y. Setiawan, “Root Cause Analysis (RCA) berbasis Sentimen menggunakan Metode K-Nearest Neighbor (K-NN) (Studi Kasus: Pengunjung Kolam Renang Brawijaya),” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 7, no. 5, pp. 2515–2520, 2023.

N. Viennot, E. Garcia, and J. Nieh, “A measurement study of Google Play,” Performance Evaluation Review, vol. 42, no. 1, pp. 221–234, 2014, doi: 10.1145/2591971.2592003.

Fintek Karya Nusantara, “Tentang LinkAja,” https://www.linkaja.id/tentang.

N. Gupta and R. Agrawal, Application and techniques of opinion mining. INC, 2020. doi: 10.1016/B978-0-12-818699-2.00001-9.

W. Astuti, R. Kurniawan, and Y. A. Wijaya, “Analisis Sentimen Ulasan Instagram Di Google Play Store Menggunakan Algoritma Naïve Bayes,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 7, no. 6, pp. 3314–3319, 2024

T. P. Utama and M. S. Haibuan, “Penerapan Algoritma Naïve Bayes Dan Forward Selection Untuk Prediksi Penyakit Stroke,” Jurnal Teknoinfo, vol. 17, no. 2, pp. 351–357, 2023.

X. Zhang, Encyclopedia of Machine Learning and Data Mining, vol. 3, no. 1959. 2017. doi: 10.1007/978-1-4899-7687-1.

M. F. N. Fathoni, E. Y. Puspaningrum, and A. N. Sihananto, “Perbandingan Performa Labeling Lexicon InSet dan VADER pada Analisa Sentimen Rohingya di Aplikasi X dengan SVM,” Modem : Jurnal Informatika dan Sains Teknologi., vol. 2, no. 3, pp. 62–76, 2024, doi: 10.62951/modem.v2i3.112.

G. Damele, G. Bazzana, F. Andreis, F. Aquilio, S. Arnoldi, and E. Pessi, “Process improvement through Root Cause Analysis,” Achieving Quality in Software, pp. 35–47, 1996, doi: 10.1007/978-0-387-34869-8_5.

K. Padmanandam, S. P. V. D. S. Bheri, L. H. Vegesna, and K. Sruthi, “A Speech Recognized Dynamic Word Cloud Visualization for Text Summarization,” Proceedings of the 6th International Conference on Inventive Computation Technologies, ICICT 2021, pp. 609–613, 2021

M. E. Davey and J. A. Morell, “Method for Using Rubric Ratings on Fishbone Diagrams to Compare Case Studies,” J Multidiscip Eval, vol. 16, no. 34, pp. 56–64, 2020