Analisis Sentimen Terhadap Aplikasi Mitra Darat Menggunakan Algoritma Naive Bayes Classifier dan K-Nearest Neighbor
https://doi.org/10.58466/aicoms.v3i1.1542
Abstrak
Industri transportasi sekarang menjadi elemen penting seiring dengan berkembangnya jaman terutama untuk generasi muda sekarang. Mitra Darat sendiri juga salah satu dari industri tersebut. Aplikasi yang memungkinkan untuk pengguna dengan mudah mengetahui jadwal keberangkatan bus yang akan mereka tumpangi dimana pun dan kapan pun di perangkat seluler mereka. Ulasan pasti diberikan untuk setiap aplikasi yang tersedia baik positif dan negatif. Dengan ini, kami mencoba melakukan penelitian analisis sentimen untuk aplikasi Mitra Darat melalui ulasan komentar dari google play store agar kami dapat mengidentifikasi sentimen yang terkait dengan penggunaan aplikasi Mitra Darat, serta memberikan wawasan beharga kepada penyedia layanan transportasi darat untuk memahami pandangan pengguna dan meningkatkan pelayanan pengguna dari hasil analisis sentimen kami. Algoritma yang digunakan kami ialah KNN dan NBC. Kedua algoritma ini sudah umum digunakan oleh banyak orang karena keahlian dalam mengklasifikasi data analisis sentimen dan juga popular di kalangan peneliti. Bedasarkan hasil pengujian kami bisa disimpulkan untuk model analisis sentimen kami yang dirancang menggunakan algoritma NB menampilkan performa akurasi lebih tinggi dibandingkan KNN. Akurasi model NB mencapai 99,28%, sedangkan KNN mendapatkan akurasi sebesar 80%. Ini menunjukkan bahwa algoritma naïve bayes lebih cocok digunakan untuk mendapatkan keakuratan yang maksimal dibandingkan menggunakan k-nearest neighbor.
Referensi
D. A. Warraihan, I. Permana, M. Mustakim, and R. Novita, “Analisis Sentimen Pengguna Transportasi Online Maxim Pada Instagram Menggunakan Naïve Bayes Classifier dan K-Nearest Neighbor,” J. Media Inform. Budidarma, vol. 7, no. 3, pp. 1134–1143, 2023, doi: 10.30865/mib.v7i3.6336.
S. Mandasari, B. H. Hayadi, and R. Gunawan, “Sentiment Analysis of Online Transportation Users Towards Grab Indonesia Services Using Multinomial Naive Bayes Classifier,” J-SISKO TECH (Jurnal Teknol. Sist. Inf. dan Sist. Komput. TGD), vol. 5, no. 2, p. 118, 2022, [Online]. Available: https://ojs.trigunadharma.ac.id/index.php/jsk/article/view/5635
Syahril Dwi Prasetyo, Shofa Shofiah Hilabi, and Fitri Nurapriani, “Analisis Sentimen Relokasi Ibukota Nusantara Menggunakan Algoritma Naïve Bayes dan KNN,” J. KomtekInfo, vol. 10, pp. 1–7, 2023, doi: 10.35134/komtekinfo.v10i1.330.
E. W. Sholeha, S. Yunita, R. Hammad, V. C. Hardita, and K. Kaharuddin, “Analisis Sentimen Pada Agen Perjalanan Online Menggunakan Naïve Bayes dan K-Nearest Neighbor,” JTIM J. Teknol. Inf. dan Multimed., vol. 3, no. 4, pp. 203–208, 2022, doi: 10.35746/jtim.v3i4.178.
V. K. S. Que, A. Iriani, and H. D. Purnomo, “Analisis Sentimen Transportasi Online Menggunakan Support Vector Machine Berbasis Particle Swarm Optimization,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 9, no. 2, pp. 162–170, 2020, doi: 10.22146/jnteti.v9i2.102.
N. P. G. Naraswati, R. Nooraeni, D. C. Rosmilda, D. Desinta, F. Khairi, and R. Damaiyanti, “Analisis Sentimen Publik dari Twitter Tentang Kebijakan Penanganan Covid-19 di Indonesia dengan Naive Bayes Classification,” Sistemasi, vol. 10, no. 1, p. 222, 2021, doi: 10.32520/stmsi.v10i1.1179.
A. M. Argina, “Penerapan Metode Klasifikasi K-Nearest Neigbor pada Dataset Penderita Penyakit Diabetes,” Indones. J. Data Sci., vol. 1, no. 2, pp. 29–33, 2020, doi: 10.33096/ijodas.v1i2.11.
D. Pajri, Y. Umaidah, and T. N. Padilah, “K-Nearest Neighbor Berbasis Particle Swarm Optimization untuk Analisis Sentimen Terhadap Tokopedia,” J. Tek. Inform. dan Sist. Inf., vol. 6, no. 2, pp. 242–253, 2020, doi: 10.28932/jutisi.v6i2.2658.
S. Syafrizal, M. Afdal, and R. Novita, “Analisis Sentimen Ulasan Aplikasi PLN Mobile Menggunakan Algoritma Naïve Bayes Classifier dan K-Nearest Neighbor,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. 1, pp. 10–19, 2023, doi: 10.57152/malcom.v4i1.983.
A. D. Wibisono, S. Dadi Rizkiono, and A. Wantoro, “Filtering Spam Email Menggunakan Metode Naive Bayes,” TELEFORTECH J. Telemat. Inf. Technol., vol. 1, no. 1, 2020, doi: 10.33365/tft.v1i1.685.
M. E. Lasulika, “Komparasi Naïve Bayes, Support Vector Machine Dan K-Nearest Neighbor Untuk Mengetahui Akurasi Tertinggi Pada Prediksi Kelancaran Pembayaran Tv Kabel,” Ilk. J. Ilm., vol. 11, no. 1, pp. 11–16, 2019, doi: 10.33096/ilkom.v11i1.408.11-16.
A. K. Fauziyyah, “Analisis Sentimen Pandemi Covid19 Pada Streaming Twitter Dengan Text Mining Python,” J. Ilm. SINUS, vol. 18, no. 2, p. 31, 2020, doi: 10.30646/sinus.v18i2.491.
F. Fathonah and A. Herliana, “Penerapan Text Mining Analisis Sentimen Mengenai Vaksin Covid - 19 Menggunakan Metode Naïve Bayes,” J. Sains dan Inform., vol. 7, no. 2, pp. 155–164, 2021, doi: 10.34128/jsi.v7i2.331.
M. Luthfi Bangun Permadi and R. Gumilang, “Penerapan Algoritma CNN (Convolutional Neural Network) Untuk Deteksi Dan Klasifikasi Target Militer Berdasarkan Citra Satelit,” J. Sos. Teknol., vol. 4, no. 2, pp. 134–143, 2024, doi: 10.59188/jurnalsostech.v4i2.1138.
A. Nugroho and Y. Religia, “Analisis Optimasi Algoritma Klasifikasi Naive Bayes menggunakan Genetic Algorithm dan Bagging,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 3, pp. 504–510, 2021, doi: 10.29207/resti.v5i3.3067.
