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

Abstrak

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