Klasifikasi Ulasan Pengguna Aplikasi Mandiri Online Di Google Play Store Dengan Menggunakan Metode Information Gain Dan Naive Bayes Classifier

Abstract

Abstrak

Ulasan pengguna merupakan salah satu fitur yang disediakan oleh platform Google Play Store agar
pengguna dapat memberikan feedback dalam bentuk rating dan ulasan untuk aplikasi yang diunduh.
Fungsi ulasan disediakan untuk mengizinkan pengguna memberikan komentar dari aplikasi yang telah
digunakan, sehingga menyediakan umpan balik bagi pengembang aplikasi. Penelitian ini membangun
sebuah sistem yang dapat melakukan klasifikasi ulasan pengguna di Google Play Store termasuk kedalam
ulasan positif atau negatif, serta mengklasifikasikan berdasarkan faktor kualitas perangkat lunak ISO/IEC
25010. Topik ini diangkat untuk memudahkan para pengembang perangkat lunak tersebut untuk
memperbaiki kualitas dan kepuasan dari aplikasi berdasarkan ulasan yang diberikan oleh pengguna.
Naive Bayes Classifier dipilih pada penelitian ini karena dikenal sebagai metode sederhana, cepat tetapi
memiliki performansi yang tinggi dalam pengklasifikasian teks, dan untuk menanggulangi tingginya
dimensi data maka Naive Bayes dikombinasikan dengan metode seleksi fitur yaitu Information Gain
sebagai metode seleksi dalam memilih fitur-fitur yang berpengaruh untuk setiap label kelas. Hasil
penelitian menunjukkan bahwa, akurasi dan f-measure yang didapat pada klasifikasi dengan seleksi fitur
Information Gain yaitu 91,33% dan 89,18%.
Kata kunci : Ulasan Pengguna, ISO/IEC 25010, Naive Bayes Classifier, Information Gain, Klasifikasi Teks
Abstract
User reviews are one of the features provided by the Google Play Store platform so users can provide
feedback in the form of ratings and reviews for downloaded applications. The review function is provided
to allow users to comment on applications that have been used, thus providing feedback for application
developers. This research builds a system that can classify user reviews on the Google Play Store including
positive or negative reviews, and classifies based on ISO / IEC 25010 software quality factors. This topic is
raised to make it easier for software developers to improve the quality and satisfaction of the application is
based on user reviews. Naive Bayes Classifier was chosen in this study because it is known as a simple, fast
method but has a high performance in classifying text, and to cope with high data dimensions, Naive Bayes
is combined with the feature selection method, namely Information Gain as a selection method in selecting
influential features. for each class label. The results showed that the accuracy and f-measure obtained in
the classification by the Information Gain feature selection were 91.33% and 89.18%.
Keywords: User Reviews, ISO / IEC 25010, Naive Bayes Classifier, Information Gain, Text Classification