Media Informatika Vol.
24 No.
ANALISIS SENTIMEN TERHADAP PENGGUNA APLIKASI
JAMSOSTEK MOBILE PADA GOOGLE PLAY STORE
MENGGUNAKAN METODE NAyaVE BAYES Divia Azarine1.
Nining Rahaningsih2.
Raditya Danar Dana3
1,2,3
STMIK IKMI Cirebon Email : 1diviiaazarine21@gmail.
ABSTRAK
Dalam perkembangan teknologi informasi saat ini, aplikasi mobile telah menjadi bagian tak terpisahkan dari kehidupan sehari-hari, termasuk aplikasi Jamsostek Mobile (JMO) yang menyediakan layanan bagi pengguna Jamsostek.
Ulasan pengguna di platform seperti Google Play Store sering kali menjadi sumber informasi penting yang mencerminkan kualitas dan kepuasan pengguna terhadap aplikasi.
Namun, untuk dapat memahami sentimen yang terkandung dalam ulasan tersebut secara otomatis, diperlukan metode analisis sentimen yang efektif.
Salah satu algoritma yang sering digunakan dalam analisis sentimen adalah Naive Bayes.
Penelitian ini bertujuan untuk menganalisis sentimen ulasan pengguna aplikasi JMO di Google Play Store menggunakan algoritma Naive Bayes, dengan fokus untuk mengidentifikasi sentimen yang terkandung dalam ulasan tersebut serta mengevaluasi performa model dalam mengklasifikasikan sentimen.
Metode yang digunakan dalam penelitian ini adalah Naive Bayes, yang diterapkan untuk mengklasifikasikan ulasan pengguna ke dalam kategori sentimen positif, negatif, dan netral.
Data ulasan yang digunakan dalam penelitian ini diperoleh dari Google Play Store dengan periode pengambilan data antara September hingga Oktober 2024.
Hasil penelitian menunjukkan bahwa sebagian besar ulasan aplikasi JMO memiliki sentimen positif .
,1%), diikuti oleh sentimen negatif .
,9%).
Namun, model ini menunjukkan kesulitan dalam mengidentifikasi kelas netral yang memiliki data yang sangat terbatas.
Evaluasi model menghasilkan akurasi sebesar 86,06%, dengan precision, recall, dan F1-score yang cukup baik pada kelas positif dan negatif, namun kurang optimal pada kelas netral.
Penelitian ini bertujuan untuk mengidentifikasi sentimen yang terkandung dalam ulasan pengguna aplikasi JMO, menerapkan metode Naive Bayes dalam analisis sentimen, serta mengukur kinerja algoritma dalam mengklasifikasikan sentimen Hasil penelitian memberikan wawasan mengenai potensi dan keterbatasan metode Naive Bayes dalam analisis sentimen ulasan pengguna aplikasi JMO.
Kata Kunci : Analisis Sentimen.
Naive Bayes.
Aplikasi JMO.
Python.
Google Play Store
ABSTRACT
In the current development of information technology, mobile applications have become an integral part of daily life, including the JMO application, which provides services for Jamsostek users.
User reviews on platforms such as Google Play Store often serve as an important source of information, reflecting the quality and user satisfaction with the However, to automatically understand the sentiment contained in these reviews, an effective sentiment analysis method is required.
One of the algorithms Divia Azarine.
Nining Rahaningsih.
Raditya Danar Dana Analisis Sentimen Terhadap Pengguna Aplikasi Jamsostek Mobile pada Google Play Store Menggunakan Metode Nayve Bayes frequently used in sentiment analysis is Naive Bayes.
This study aims to analyze the sentiment of user reviews of the JMO application on Google Play Store using the Naive Bayes algorithm, focusing on identifying the sentiments embedded in these reviews and evaluating the model's performance in sentiment The method used in this research involves applying the Naive Bayes algorithm to classify user reviews into positive, negative, and neutral sentiment categories.
The review data for this study was obtained from the Google Play Store, with a data collection period from September to October 2024.
The research findings indicate that the majority of JMO application reviews show positive sentiment .
1%), followed by negative sentiment .
9%).
However, the model faced challenges in identifying the neutral class due to the limited data available for this category.
Model evaluation resulted in an accuracy of 86.
06%, with precision, recall, and F1-score showing strong performance in the positive and negative classes but less optimal performance in the neutral class.
This study aims to identify the sentiments contained in user reviews of the JMO application, apply the Naive Bayes method in sentiment analysis, and measure the algorithmAos performance in classifying these sentiments.
The findings provide insights into the potential and limitations of the Naive Bayes method in analyzing user sentiments for JMO application reviews.
Keywords: Sentiment Analysis.
Naive Bayes.
JMO Application.
Python.
Google Play Store
PENDAHULUAN
Pesatnya perkembangan teknologi di Indonesia telah membawa banyak perubahan di hampir seluruh aspek kehidupan, salah satunya dalam penerapan teknologi informasi dalam sektor pemerintahan.
Salah satu bentuk implementasi teknologi ini adalah melalui egovernment, yaitu penggunaan teknologi informasi oleh pemerintah untuk memberikan informasi dan pelayanan kepada masyarakat.
Salah satu layanan pemerintahan elektronik yang cukup populer di Indonesia adalah aplikasi JMO (Jamsostek Mobil.
, yang dikeluarkan oleh BPJS Ketenagakerjaan.
Aplikasi ini bertujuan untuk mempermudah masyarakat dalam mengakses layanan jaminan sosial ketenagakerjaan secara digital.
JMO
(Jamsostek Mobil.
resmi diluncurkan oleh BPJS Ketenagakerjaan pada 19 Februari 2018 dan telah diunduh lebih dari 10 juta kali melalui Google Play Store.
Aplikasi ini memungkinkan penggunanya untuk mengakses berbagai informasi terkait program jaminan sosial ketenagakerjaan, seperti pendaftaran, klaim, serta informasi saldo jaminan sosial.
Seiring dengan jumlah pengguna yang terus meningkat, aplikasi ini juga menerima berbagai ulasan dari penggunanya.
Dari ulasan tersebut, terdapat berbagai pendapat yang dapat memberikan gambaran tentang pengalaman pengguna, baik yang positif maupun negatif.
Hal ini menjadi penting karena ulasan pengguna sering kali menjadi pertimbangan bagi calon pengguna lainnya sebelum mengunduh aplikasi tersebut.
Namun, banyak ulasan yang tidak konsisten dengan rating yang diberikan oleh pengguna.
Beberapa pengguna memberikan rating tinggi namun menyertakan komentar negatif, atau Hal ini menunjukkan adanya perbedaan antara rating yang diberikan dan opini yang terkandung dalam komentar pengguna.
Dalam konteks ini, analisis sentimen menjadi penting untuk membantu mengidentifikasi apakah ulasan-ulasan tersebut lebih banyak bersifat positif atau negatif.
Analisis sentimen adalah teknik dalam text mining yang digunakan untuk mengklasifikasikan teks ulasan berdasarkan sentimen atau perasaan yang terkandung, apakah positif, negatif, atau netral .
Berdasarkan latar belakang tersebut, penelitian ini bertujuan untuk melakukan Media Informatika Vol.
24 No.
analisis sentimen terhadap ulasan pengguna aplikasi JMO di Google Play Store, dengan menggunakan metode Naive Bayes.
Hasil dari analisis ini diharapkan dapat memberikan gambaran yang lebih jelas tentang persepsi pengguna terhadap aplikasi JMO dan memberikan rekomendasi bagi pengembang aplikasi untuk perbaikan di masa depan.
METODE PENELITIAN
Nayve Bayes Nayve Bayes adalah suatu klasifikasi kemungkinan sederhana yang dapat menghitung seluruh kemungkinan dengan menggabungkan sejumlah kombinasi dan frekuensi suatu nilai dari basis data yang didapatkan.
Suatu algoritma memanfaatkan teorema bayes dan memperkirakan seluruh atribut yang bebas dan saling lepas yang dapat diberikan oleh suatu nilai pada kelas variable .
Penelitian ini menggunakan metode Naive Bayes, yang merupakan salah satu algoritma dalam machine learning yang banyak digunakan untuk analisis sentimen.
Metode ini bekerja dengan menghitung probabilitas untuk menentukan apakah sebuah teks cenderung memiliki sentimen positif atau negatif berdasarkan data pelatihan yang ada.
Sebagai referensi, penelitian sebelumnya oleh .
telah menggunakan metode Naive Bayes untuk menganalisis sentimen ulasan pengguna aplikasi Brimo yang tersedia di Google Play Store.
Hasil penelitian tersebut menunjukkan bahwa dari 1.
550 ulasan yang dianalisis, lebih banyak pengguna memberikan sentimen positif .
2 dat.
dibandingkan sentimen negatif .
, dengan tingkat akurasi sebesar 84,52%.
Selain itu, penelitian lain oleh Nurtikasari et al.
yang menggunakan metode Naive Bayes untuk menganalisis sentimen masyarakat terhadap film di platform Twitter juga menunjukkan hasil yang serupa, dengan tingkat akurasi 75% dan precision 80%.
Penelitian-penelitian ini menunjukkan bahwa metode Naive Bayes dapat diterapkan dengan baik untuk analisis sentimen dalam berbagai konteks, baik itu untuk aplikasi keuangan maupun opini masyarakat mengenai film.
Knowledge Discovery Database (KDD) Knowledge Discovery in Database (KDD) adalah suatu proses yang digunakan untuk menemukan pola pola yang berguna dan mengambil informasi dari data besar.
Proses KDD ini bertujuan untuk mengekstraksi pengetahuan atau informasi yang tersembunyi dalam data yang sebelumnya tidak diketahui .
KDD Terdiri dari beberapa tahap :
Selection Data selection merupakan tahapan pertama dalam KDD, pada tahap ini akan dilakukan pengumpulan, seleksi, dan pelabelan data .
Preprocessing Data preprocessing adalah salah satu fase dari data mining.
sebelum memasuki tahap Data set diproses terlebih dahulu.
Data preprocessing biasanya dilakukan dengan membuang data yang tidak sesuai.
Proses ini juga dapat mengubah data menjadi format yang lebih mudah dipahami oleh sistem .
Transformation Tahap transformasi adalah proses seleksi fitur.
Proses transformasi ini dilakukan apabila adanya proses penggabungan atau mengubah data ke dalam format yang dibutuhkan dalam proses data mining.
Data Mining Data Mining adalah proses pemodelan menggunakan algoritma tertentu sesuai dengan kebutuhan dan menyesuaikan jenis data yang ada .
Evaluation & Interpretation Divia Azarine.
Nining Rahaningsih.
Raditya Danar Dana Analisis Sentimen Terhadap Pengguna Aplikasi Jamsostek Mobile pada Google Play Store Menggunakan Metode Nayve Bayes Pada tahap evaluasi dilakukan perhitungan accuration, precision, recall .
Evaluasi ini melibatkan beberapa metrik yang penting, seperti accuracy, precision, dan recall.
Masing-masing metrik ini memiliki tujuan yang berbeda dalam menilai kualitas model, terutama dalam klasifikasi biner.
HASIL PENELITIAN
Selection Dataset yang digunakan dalam penelitian ini terdiri dari ulasan pengguna aplikasi JMO (Jamsostek Mobil.
yang diambil dari Google Play Store.
Dataset dikumpulkan menggunakan teknik scraping dengan pustaka Python, yaitu google-play-scraper.
Web scraping merupakan sebuah teknik yang digunakan dalam mengumpulkan data dari internet .
Ulasan yang diambil mencakup atribut seperti nama pengguna, skor ulasan, tanggal ulasan, dan isi ulasan.
Setelah proses scraping, dataset disimpan dalam format CSV untuk memudahkan analisis selanjutnya.
Tabel 1 menunjukkan contoh data mentah yang diambil setelah proses scraping.
Tabel 1.
Dataset Ulasan Pengguna JMO.
UserName Score Content Label Andi Suhandi 11/5/2024 16:41 good Positif Anis yatun Nifah 11/5/2024 16:01 ok Positif Setiyawan 11/5/2024 16:00 oke Positif Gavin Ndoen Sudah update ga bisa, 11/5/2024 15:48 berkali kali fisuruh Gajje apk nya Negatif Benoa Bali 11/5/2024 15:47 Aplikasi ga guna Negatif Teguh Sutrisno 11/5/2024 15:29 Sangat bagus Positif Tolong kenapa kok suruh meperbaharui apadahal baru download, dan kenapa tidak jadi satu aplikasi bersama BPJS kesehatan harusnya kalau 11/5/2024 15:28 1 pemerintahan di buat Negatif simple aja gak dikit" download aplikasi kepikiran gak sih membuat 1 aplikasi dalm 1 pemerintahan jadi gak banyak Denny prasetyo Media Informatika Vol.
24 No.
buanget dalm 1 hp
aplikasi berbeda" padahal sama" punya pemerintah Syaiful Ihwan Rosa
lina Ndaha
Karyanto Yanto
11/5/2024 15:20
Bagus sangat baik 11/5/2024 14:59 Lam in aplikasi terlalu banyak install terus Positf
Ameek Azzah
11/1/2024 4:41
Sangat membantu dan prosesnya mudah,mantap positif
Riskiar
Yadioktavian Kiki
Erus Nadi
11/1/2024 4:40
Mantap sekali 11/1/2024 4:39 Keren Preprocessing Tahapan preprocessing melibatkan beberapa langkah untuk membersihkan dan mempersiapkan data agar siap digunakan dalam analisis sentimen :
Text Cleaning : menghapus karakter khusus, angka, dan tanda baca yang tidak relevan dengan analisis sentimen.
Penghapusan Stopwords: Menggunakan daftar kata berhenti .
khusus untuk Bahasa Indonesia guna menghilangkan kata-kata umum yang tidak memberikan makna penting, seperti "dan", "yang", dan "dengan".
Normalisasi Teks: Mengonversi kata-kata informal ke bentuk baku, misalnya "gak" menjadi "tidak".
Stemming: Menggunakan algoritma stemming untuk mengubah kata ke bentuk Setelah preprocessing, dataset yang awalnya memiliki berbagai variasi teks menjadi lebih terstruktur dan siap untuk proses analisis lebih lanjut.
Gambar 1.
Text Setelah Preprocessing.
Divia Azarine.
Nining Rahaningsih.
Raditya Danar Dana Analisis Sentimen Terhadap Pengguna Aplikasi Jamsostek Mobile pada Google Play Store Menggunakan Metode Nayve Bayes Gambar 1 menunjukkan contoh perubahan data sebelum dan sesudah preprocessing, termasuk penghapusan karakter khusus dan stemming.
Transformation Data teks yang telah diproses selanjutnya diubah menjadi representasi numerik menggunakan metode TF-IDF (Term Frequency-Inverse Document Frequenc.
Metode ini digunakan untuk mengekstrak fitur penting dari data teks dengan memberikan bobot pada setiap kata berdasarkan frekuensinya dalam dokumen dan corpus secara keseluruhan.
Hasil transformasi ini berupa matriks fitur yang merepresentasikan setiap ulasan dalam bentuk vektor numerik.
Gambar 2 menunjukkan cuplikan hasil transformasi TF-IDF, dengan beberapa kata kunci dan bobotnya.
Gambar 2.
Output Vektorisasi TF-IDF.
4 Data Mining Tahapan ini menggunakan algoritma Nayve Bayes untuk melakukan klasifikasi sentimen ulasan pengguna menjadi tiga kategori: positif, negatif, dan netral.
Model dilatih menggunakan 80% data sebagai data latih dan 20% sebagai data uji.
Proses pelatihan dan pengujian dilakukan dengan metode cross-validation untuk memastikan generalisasi Gambar 3.
Hasil Pengujian Akurasi Dengan Cross-Validation.
Interpretation & Evaluation Evaluasi model dilakukan menggunakan metrik akurasi, precision, recall, dan F1score.
Hasil evaluasi menunjukkan bahwa model Nayve Bayes memiliki performa yang baik pada kelas sentimen positif dan negatif, namun kurang optimal pada kelas netral karena jumlah data yang terbatas.
Gambar 4.
Classification Report Pada Data Test.
Media Informatika Vol.
24 No.
Gambar 4 menunjukkan classification report yang menggambarkan distribusi prediksi model terhadap data uji.
Berikut adalah hasil evaluasi:
Tabel 2.
Classification Report Kelas Metrik Precission Recall F1-Score Negatif Positif Netral Accuracy Tabel 2 diatas menunjukkan bahwa model klasifikasi memiliki akurasi 86,06%, yang berarti model berhasil mengklasifikasikan 86,06% data uji dengan benar.
Untuk ulasan positif, model bekerja sangat baik dengan precision 89%, recall 95%, dan f1-score 92%.
Kinerja pada ulasan negatif cukup baik, dengan precision 77%, recall 86%, dan f1-score Namun, model gagal sepenuhnya pada ulasan netral, karena precision, recall, dan f1-score semuanya bernilai 0.
Ketidakseimbangan jumlah data di setiap kelas tampak jelas, di mana kelas netral memiliki hanya 19 data dibandingkan dengan 174 data untuk kelas Akibatnya, performa model lebih terfokus pada kelas positif dan negatif.
Sementara distribusi sentimen pada data test .
est se.
dapat dilihat pada visualisasi di bawah ini:
Gambar 5.
Distribusi Sentimen Pada Data Test.
Hasil penelitian menunjukkan bahwa sebagian besar ulasan pengguna aplikasi JMO memiliki sentimen positif .
,1%), diikuti oleh sentimen negatif .
,9%).
Sentimen netral sulit diidentifikasi karena jumlah data yang sangat terbatas.
Hal ini menunjukkan bahwa aplikasi JMO umumnya mendapatkan tanggapan yang baik dari pengguna, meskipun masih terdapat beberapa keluhan terkait performa aplikasi.
KESIMPULAN
Penelitian ini berhasil menganalisis sentimen ulasan pengguna aplikasi JMO yang diambil dari Google Play Store dengan menggunakan algoritma Nayve Bayes.
Beberapa Divia Azarine.
Nining Rahaningsih.
Raditya Danar Dana Analisis Sentimen Terhadap Pengguna Aplikasi Jamsostek Mobile pada Google Play Store Menggunakan Metode Nayve Bayes poin penting yang dapat disimpulkan adalah Sebagian besar ulasan pengguna menunjukkan sentimen positif sebesar 74,1%, sedangkan sentimen negatif mencapai 25,9%, dan sentimen netral sangat terbatas.
Proses preprocessing data, termasuk text cleaning, penghapusan stopwords, dan stemming, memberikan kontribusi signifikan dalam meningkatkan kualitas data untuk analisis sentimen.
Algoritma Nayve Bayes menunjukkan performa yang baik dalam mengklasifikasikan sentimen positif dan negatif dengan akurasi 86,06%, namun memiliki kelemahan dalam mengidentifikasi sentimen netral karena jumlah data yang terbatas.
Hasil evaluasi model menunjukkan bahwa distribusi data yang seimbang antar kategori sentimen sangat penting untuk meningkatkan akurasi model, terutama pada kelas yang kurang terwakili.
DAFTAR PUSTAKA