Analisis Sentimen Ulasan Aplikasi Maxim Untuk Peningkatan Layanan Menggunakan Algoritma Naïve Bayes
Abstrak
Abstrak — Transportasi online kian menarik perhatian dan
minat masyarakat untuk dijadikan salah satu kebutuhan yang
dapat memudahkan aktivitas sehari-hari. Maxim merupakan
salah satu transportasi online yang menepati urutan ketiga jasa
transportasi online yang paling sering digunakan. Dengan
adanya hasil pemeringkatan jasa transportasi online tersebut
maka pihak Maxim dapat meningkatkan pelayanan
berdasarkan dari ulasan pengguna aplikasi Maxim melalui
metode analisis sentimen yang bertujuan untuk mengolah
sejumlah besar data secara selektif dan efisien dengan
mengelompokkan ke dalam dua ulasan yaitu positif dan negatif
dengan menggunakan algoritma Naïve Bayes. Tahap untuk
melakukan analisis sentimen dibagi menjadi beberapa bagian
diantaranya yaitu pengumpulan data, preprocessing, modelling,
dan evaluasi. Pada penelitian ini, menggunakan tiga skenario
rasio pembanding training testing yaitu 60:40, 70:30, dan 80:20
dengan menggunakan model Multinomial Naïve Bayes
menunjukkan bahwa rasio 70:30 menghasilkan model terbaik
dengan nilai akurasi sebesar 87,22% yang dilakukan melalui
confusion matrix dengan nilai recall sebesar 98,49%, nilai
precision sebesar 86,62%, dan f1 score menghasilkan nilai
sebesar 92,17%. Berdasarkan dari hasil visualisasi sentimen
didapatkan hasil ulasan pengguna aplikasi Maxim cenderung
mengarah ke sentimen positif dengan jumlah ulasan positif
sebanyak 76% dan sentimen negatif sebanyak 24%. Sehingga,
hasil kategori sentimen tersebut dapat dijadikan bahan evaluasi
kepada pihak developer sebagai bentuk peningkatan layanan
aplikasi Maxim.
Kata kunci— Analisis Sentimen, Transportasi Online, Naïve Bayes
Referensi
APJII,
no. June, p. 10, 2022, [Online]. Available: apji.or.id
ShopBack Indonesia,
Harga Transportasi Online? Aplikasi Ini Akan
Memudahkan Penggunanya,= 2018.
https://www.shopback.co.id/katashopback/transport
asi-online-makin-digemari
Listiorini, <15 Aplikasi Ojek Online Terbaik dan
Terpopuler di Indonesia,= Carisinyal, 2022.
https://carisinyal.com/aplikasi-ojek-online/
F. Albasithu and A. Wibowo,
Algoritma Naive Bayes Dan C4.5 pada Analisis
Sentimen Presiden 3 Periode di Twitter,= Semin. Nas.
Mhs. Fak. Teknol. Inf. Jakarta-Indonesia, no.
September, pp. 510-516, 2022, [Online]. Available:
https://senafti.budiluhur.ac.id/index.php/
A. Z. Kamalia, A. Al Zaroni, and MWangsadanureja,
Aplikasi Bibit Di Play Store Dengan Metode Naive
Bayes, Support Vector Machine, C4.5 Dan KNearest NEIGHBOR,= vol. 13, no. 1, 2022.
Kompasiana,
dengan Google Store?,= Kompasiana, 2021.
https://www.kompasiana.com/ruangmuda1780/6025
ff5ed541df70da59f302/apa-bedanya-google-playstore-dengan-google-store?page=2&page_images=1
Layanan Maxim,
Maxim, 2022. https://id.taximaxim.com/id/2093-
jakarta/about/
K. B. Cohen and L. Hunter,
mining,= PLoS Comput. Biol., vol. 4, no. 1, pp. 0001-
, 2008, doi: 10.1371/journal.pcbi.0040020.
T. Kwartler,
Pract. with R, pp. 1-15, 2017, doi:
1002/9781119282105.ch1.
S. Redhu,
A Review,= Int. J. Data Sci. Technol., vol. 4, no. 2,
p. 49, 2018, doi: 10.11648/j.ijdst.20180402.12.
P. Nomleni, M. Hariadi, and I. K. E. Purnama,
Rekayasa Teknol. Ind. dan Inf., vol. 9, pp. 142-149,
I. Romli, T. Pardamean, S. Butsianto, T. N. Wiyatno,
and E. Bin Mohamad,
Implementation Based on Particle Swarm
Optimization in Analyzing the Defect Product,= J.
Phys. Conf. Ser., vol. 1845, no. 1, 2021, doi:
1088/1742-6596/1845/1/012020.
S. Xu,
classification,= J. Inf. Sci., vol. 44, no. 1, pp. 48-59,
, doi: 10.1177/0165551516677946.
Scikit-learn:Machine Learning in python,
extraction,= 2011. https://scikitlearn.org/stable/modules/feature_extraction.html#te
xt-feature-extraction
P. S. Saragih, D. Witarsyah, F. Hamami, and J. M.
MacHado,
Twitter with Case of Large Scale Social Restriction
in Jakarta using Support Vector Machine
Algorithm,= 2021 Int. Conf. Adv. Data Sci. ELearning Inf. Syst. ICADEIS 2021, vol. 19, no.
January 2020, pp. 1-6, 2021, doi:
1109/ICADEIS52521.2021.9701961.
