Analisis Sentimen Ulasan Pengguna Aplikasi Mypertamina Pada Google Playstore menggunakan K- Nearest Neighbor dan Naïve Bayes

  • Digdaya Tualang Ksatria Universitas Lancang Kuning
  • Yogi Yunefri Universitas Lancang Kuning
  • Lucky Lhaura Van FC Universitas Lancang Kuning
  • Sutejo Universitas Lancang Kuning
  • Afriansyah Universitas Lancang Kuning
  • Ilham Chairuddin Universitas Lancang Kuning
Keywords: Data Mining, Klasifikasi, Naïve Bayes, K-Nearest Neighbor, Google Colaboratory

Abstract

MyPertamina adalah program loyalty dan e-payment yang memberikan user experiences dari PT Pertamina (Persero) dengan mudah untuk seluruh pelanggan Pertamina. Dengan menggunakan aplikasi MyPertamina, pembayaran dapat dilakukan secara non-tunai melalui LinkAja!, sehingga lebih ringkas tanpa perlu mengantri menunggu kembalian dan lain sebagainya. Namun, dibalik berbagai fasilitas yang diberikan, masyarakat masih menemui beberapa kendala misalnya aplikasi MyPertamina yang sulit dibuka, banyaknya SPBU yang belum bisa memakai LinkAja!, pendaftaran akun yang sering kali gagal, transaksi yang sukses dengan MyPertamina namun poin nya tidak bertambah yang mengakibatkan kepercayaan pada MyPertamina berkurang dan konsumen kurang mendapatkan keuntungan dari adanya aplikasi tersebut. Dalam hal ini muncul berbagai ulasan di halaman ulasan Google Playstore pada aplikasi MyPertamina, beberapa pengguna kerap memberikan ulasan yang tidak sesuai dengan ekspektasinya, dan ada pula yang memberikan penilaian yang baik terhadap aplikasi tersebut. Melihat pentingnya ulasan pengguna terhadap keberlangsungan suatu aplikasi, maka akan baik apabila analisis sentimen dilakukan pada data ulasan aplikasi di Google Playstore dengan menggunakan metode K-Nearest Neighbor dan Naïve Bayes. Pada penelitian ini menghasilkan sentimen positif dan negatif pada masing-masing kedua metode. Untuk metode K-Nearest Neighbor terdapat sentimen positif dengan total 117 ulasan dan sentimen negatif dengan total 1099 ulasan berdasarkan dari analisis klasifikasi yang telah dilakukan. Sementara untuk metode K-Nearest Neighbor terdapat sentimen positif dengan total 84 ulasan dan sentimen negatif dengan total 1132 ulasan berdasarkan dari analisis klasifikasi yang telah dilakukan. Dari kedua metode didapat hasil dari masing-masing nilai akurasi sebesar 70,73% untuk Naïve Bayes dan sebesar 85,97% untuk K-Nearest Neighbor. Hal ini menunjukkan bahwa tingkat akurasi dari metode K-Nearest Neighbor lebih baik dalam melakukan klasifikasi teks ulasan aplikasi MyPertamina jika dibandingkan dengan tingkat akurasi yang dihasilkan dari metode Naïve Bayes.

Downloads

Download data is not yet available.

References

[1] Tanggraeni, A. I., & Sitokdana, M. N. N. (2022). Analisis Sentimen Aplikasi E- Government pada Google Play Menggunakan Algoritma Naïve Bayes. JATISI (Jurnal Teknik Informatika Dan Sistem Informasi), 9(2), 785–795.
[2] Hikmawati, N. K. (2022). Analisis Kualitas Layanan My Pertamina Menggunakan Pendekatan e-GovQual pada Beberapa Kota Percobaan. Jurnal Manajemen Informatika (JAMIKA), 12, 100–111.
[3] Rahma, L., Syaputra, H., Mirza, A. H., & Purnamasari, S. D. (2021). Objek Deteksi Makanan Khas Palembang Menggunakan Algoritma YOLO (You Only Look Once). Jurnal Nasional Ilmu Komputer.
[4] Anam, M. K., Pikir, B. N., Firdaus, M. B., Erlinda, S., & Agustin. (2021). Penerapan Na ıve Bayes Classifier, K-Nearest Neighbor (KNN) dan Decision Tree untuk Menganalisis Sentimen pada Interaksi Netizen dan Pemeritah. MATRIK : Jurnal Manajemen, Teknik Informatika Dan Rekayasa Komputer.
[5] Kalingara, N. I. P., Pratiwi, O. N., & Anggana, H. D. (2021). Analisis Sentimen Review Customer Terhadap Layanan Ekspedisi Jne Dan J & T Express Menggunakan Metode Naïve Bayes. E-Proceeding of Engineering Telkom University.
[6] Surohman, S., Aji, S., Rousyati, R., & Wati, F. F. (2020). Analisa Sentimen Terhadap Review Fintech Dengan Metode Naive Bayes Classifier Dan K- Nearest Neighbor. EVOLUSI : Jurnal Sains Dan Manajemen, 8(1), 93–105.
[7] Nurwahyuni, S. (2019). Analisis Sentimen Aplikasi Transportasi Online KRL access menggunakan metode Naive Bayes. Swabumi, 7(1), 31–38.
[8] Fitri, E., Yuliani, Y., Rosyida, S., & Gata, W. (2020). Analisis Sentimen Terhadap Aplikasi Ruangguru Menggunakan Algoritma Naive Bayes, Random Forest Dan Support Vector Machine. Jurnal Transformatika, 18(1), 71.
[9] Erfina, A., Basryah, E. S., Saepulrohman, A., & Lestari, D. (2020). Analisis Sentimen Aplikasi Pembelajaran Online Di Play Store Pada Masa Pandemi Covid-19 Menggunakan Algoritma Support Vector Machine (Svm). Seminar Nasional Informatika (SEMNASIF), 1(1), 145–152.
[10] Santoso, D. P., & Wibowo, W. (2022). Analisis Sentimen Ulasan Aplikasi Buzzbreak Menggunakan Metode Naïve Bayes Classifier pada Situs Google Play Store. Jurnal Sains Dan Seni ITS, 11(2).
[11] Izunnahdi, M., Aburrahman, G., & Wardoyo, A. E. (2021). Sentimen Analisis Pada Data Ulasan Aplikasi KAI Access Di Google PlayStore Menggunakan Metode Multinomial Naive Bayes. Jurnal Smart Teknologi, 1(1), 1–7.
[12] Kusuma, A., & Nugroho, A. (2021). Analisa Sentimen Pada Twitter Terhadap Kenaikan Tarif Dasar Listrik Dengan Metode Naïve Bayes. Jurnal Ilmiah Teknologi Informasi Asia.
[13] Setiawan, R. A., Estethika, A. K. A., Nurhayanto, E. M. O., Asmara, Y., & Wahyudi, A. (2021). Analisis Sentimen Hotel di Nusa Tenggara Barat Menggunakan Algoritma SVM. Seminar Multimedia Dan Artificial Intelligence : Optimalisasi Artificial Intelligence Di Era Revolusi Industri 4.0 Dan Society 5.0.
[14] Permana, K., Putra, Z. P., & Nugroho, A. (2021). Analisa Sentimen Pengunjung Hotel Dengan K-Nearest Neighbor Studi Kasus Hotel Pop ! Surabaya. Jurnal Ilmu Komputer Dan Bisnis (JIKB).


[15] Amrullah, A. Z., Sofyan Anas, A., & Hidayat, M. A. J. (2020). Analisis Sentimen Movie Review Menggunakan Naive Bayes Classifier Dengan Seleksi Fitur Chi Square. Jurnal BITe.
[16] Suryadi, Ridho, A., & Murhaban. (2021). Analisis Sentimen Review Hotel Menggunakan Algoritma Naive Bayes Classifier dan Pendekatan Lexicon based. Techsi: Jurnal Penelitian Teknik Informatika.
[17] Negara, A. B. P., Muhardi, H., & Putri, I. M. (2020). Analisis Sentimen Maskapai Penerbangan Menggunakan Metode Naive Bayes dan Seleksi Fitur Information Gain. Jurnal Teknologi Informasi Dan Ilmu Komputer.
[18] Normawati, D., & Prayogi, S. A. (2021). Implementasi Naïve Bayes Classifier Dan Confusion Matrix Pada Analisis Sentimen Berbasis Teks Pada Twitter. J-SAKTI (Jurnal Sains Komputer Dan Informatika), 5(2), 697–711.
[19] Pati, G. K., & Umar, E. (2022). Analisis Sentimen Komentar Pengunjung Terhadap Tempat Wisata Danau Weekuri Menggunakan Metode Naive Bayes Classifier Dan K- Nearest Neighbor. Jurnal Media Informatika Budidarma, 6, 2309–2315.
[20] Darmawan, R., & Amini, S. (2022). Perbandingan Hasil Sentimen Analysis Menggunakan Algoritma Naïve Bayes dan K-Nearest Neighbor pada Twitter. Seminar Nasional Mahasiswa, September, 78–85.
[21] Novalia, V., Goejantoro, R., & Sifriyani. (2020). Perbandingan Metode Klasifikasi Naive Bayes dan K-Nearest Neighbor (Studi Kasus : Status Kerja Penduduk Di Kabupaten Kutai Kartanegara Tahun 2018). Jurnal EKSPONENSIAL.
Published
2023-12-31
How to Cite
Digdaya Tualang Ksatria, Yogi Yunefri, Lucky Lhaura Van FC, Sutejo, Afriansyah, & Ilham Chairuddin. (2023). Analisis Sentimen Ulasan Pengguna Aplikasi Mypertamina Pada Google Playstore menggunakan K- Nearest Neighbor dan Naïve Bayes. SEMASTER: Seminar Nasional Teknologi Informasi & Ilmu Komputer, 2(1), 213-227. Retrieved from https://journal.unilak.ac.id/index.php/Semaster/article/view/18526
Abstract viewed = 3 times
PDF downloaded = 7 times

Most read articles by the same author(s)

1 2 3 > >>