Jurnal Kecerdasan Buatan dan Teknologi Informasi Vol.
No.
January 2025, hlm.
e-ISSN: 2964-2922, p-ISSN: 2963-6191 DOI : https://doi.
org/10.
69916/jkbti.
IMPLEMENTASI ALGORITMA NAyaVE BAYES UNTUK ANALISIS ULASAN PENGGUNA UNTUK APLIKASI SEABANK DI GOOGLE PLAY STORE Elisabeth Dwi Kurnia Wardani*1.
Febi Febiola Yo2.
Wayan Nesa Meylugita3
1,2,3
Fakultas Sains dan Teknologi.
Universitas Katolik Musi Charitas.
Palembang.
Indonesia.
Email: 1niaelisabeth418@gmail.
com, 2olafebi905@gmail.
com, 3meylugita.
nesa@gmail.
(Diterima : 25 November 2024.
Direvisi : 8 Desember 2024.
Disetujui : 21 Desember 2.
Abstrak Analisis sentimen terhadap layanan digital semakin penting di era transformasi digital karena dapat memberikan wawasan yang mendalam mengenai persepsi pelanggan terhadap layanan yang disediakan.
Penelitian ini menggunakan metode klasifikasi untuk mengklasifikasikan sentimen pelanggan berdasarkan data ulasan yang dikumpulkan dari platform layanan digital Seabank.
Proses analisis dilakukan dengan mengelompokkan sentimen menjadi kategori positif, negatif, dan netral, di mana evaluasi akurasi model dilakukan menggunakan metrik evaluasi seperti presisi, recall, dan F1-score.
Hasil penelitian menunjukkan bahwa model mampu mengklasifikasikan sentimen dengan akurasi sebesar 85%, di mana kategori sentimen negatif didominasi oleh katakata seperti "buruk" dan "tidak puas," sementara sentimen positif didominasi oleh kata-kata seperti "sangat baik" dan "memuaskan.
" Penelitian ini bertujuan untuk memberikan pemahaman yang lebih baik kepada penyedia layanan terkait kebutuhan dan ekspektasi pelanggan, sehingga dapat digunakan untuk meningkatkan kualitas layanan di masa mendatang.
Kata kunci: analisis sentimen, ulasan pengguna, google play store, nayve bayes.
IMPLEMENTATION OF THE NAIVE BAYES ALGORITHM FOR USER REVIEW
ANALYSIS OF THE SEABANK APPLICATION ON GOOGLE PLAY STORE
Abstract Sentiment analysis of digital services is increasingly important in the era of digital transformation as it provides valuable insights into customer perceptions of the services offered.
This research utilizes the Naive Bayes Classifier method to classify customer sentiment based on review data collected from Seabank's digital service platform.
Sentiments are categorized into positive, negative, and neutral, with the model's accuracy evaluated using metrics such as precision, recall, and F1-score.
The results indicate that the model achieves an accuracy of 85%, with negative sentiment dominated by words like "bad" and "dissatisfied," while positive sentiment is characterized by terms such as "very good" and "satisfactory.
" This study aims to help service providers better understand customer needs and expectations, enabling them to enhance service quality in the future.
Keywords: google play store, tf-idf, user reviews, sentiment analysis, and naive bayes PENDAHULUAN Di era teknologi yang semakin canggih, berbagai inovasi telah memberikan kemudahan bagi kehidupan Salah satu penemuan terbesar adalah internet, yang menjadikan hidup lebih sederhana, praktis, dan efisien.
Tanpa disadari Aplikasi sekarang sangat penting bagi kehidupan manusia.
Sektor perbankan merupakan salah satu contoh Aplikasi perkembangan yang sejalan dengan tren kemajuan teknologi ini.
Industri perbankan telah mengalami kemajuan besar dalam teknologi informasi dan komunikasi.
Seabank, bank digital yang inventif, menawarkan berbagai kemudahan perbankan.
Perilaku keuangan masyarakat dan siswa dipengaruhi oleh perbankan digital ini.
Seabank digital menawarkan layanan perbankan yang lebih efisien dan mudah digunakan, seperti perbankan untuk mahasiswa.
Untuk menyesuaikan diri dengan teknologi dan menikmati kecepatan dan kenyamanan dalam berbagai aspek kehidupan, generasi muda memiliki lebih banyak kesempatan.
Mahasiswa perbankan dapat memanfaatkan banyak fitur Seabank, seperti pembukaan rekening secara online, transfer antar bank murah atau gratis, dan layanan 24 jam.
Selain itu, ulasan dan rating pengguna dapat ditemukan Elisabeth Dwi Kurnia Wardani.
Dkk.
Implementasi Algoritma Naive Bayes Untuk Analisis Ulasan Pengguna Untuk Aplikasi Seabank Di Google Play Store di setiap aplikasi mengenai layanan dan fiturnya.
Komentar, yang dapat mencakup kritik, saran, atau keluhan, akan sangat bermanfaat bagi pengguna aplikasi berikutnya.
Analisis sentimen adalah teknik penelitian berbasis komputer yang bertujuan untuk mempelajari perasaan, pandangan, dan emosi yang terkandung dalam teks tentang hal-hal atau atribut tertentu.
Proses analisis sentimen umumnya terdiri dari lima tahap utama: pengumpulan data, persiapan data, pemilihan fitur, proses klasifikasi, dan evaluasi hasil.
Dalam berbagai situasi, analisis sentimen dapat digunakan sebagai konsep atau penilaian.
Analisis sentimen mengubah data kualitatif menjadi data kuantitatif yang bernilai dengan menghilangkan kata dan simbol yang tidak relevan.
Data ulasan pengguna kemudian diklasifikasikan untuk mendapatkan ulasan positif dan negatif.
Analisis sentimen membantu bisnis memahami reaksi pelanggan terhadap merek atau produk tertentu dan memahami kebutuhan pelanggan sehingga mereka dapat membuat pilihan bisnis yang lebih baik.
Berdasarkan penelitian sebelumnya, peneliti menemukan berapa banyak ulasan positif dan negatif yang diberikan pengguna aplikasi Seabank melalui analisis sentimen dengan metode .
Penggunaan algoritma ini memberikan keuntungan karena menghitung proses klasifikasi data membutuhkan lebih sedikit data.
Untuk menilai perasaan pelanggan terhadap barang dan jasa, data evaluasi pelanggan yang diolah dari halaman web digunakan untuk mengetahui perubahan preferensi pelanggan.
Dalam analisis pendapat, algoritma sering digunakan karena lebih akurat.
Berdasarkan latar belakang tersebut, penelitian ini bertujuan untuk menganalisis ulasan pengguna aplikasi Seabank menggunakan metode guna mengidentifikasi ulasan positif dan negatif yang dapat memberikan wawasan mengenai kepuasan pengguna.
Hasil penelitian ini diharapkan dapat membantu Seabank dalam meningkatkan kualitas layanan berdasarkan preferensi dan kebutuhan pelanggan.
METODE PENELITIAN
Pada kajian berikut, ulasan aplikasi SeaBank yang tersedia di Google Play Store dipakai sebagai sumber data.
Proses dimulai dengan pengumpulan data melalui scraping.
Selanjutnya, teks dibersihkan dan diproses sebelum Sementara algoritma Naive Bayes dipakai dalam tahapan klasifikasi, metoda TF-IDF digunakan guna menilai bobot kata .
, seperti yang digambarkan dalam Gambar 1 berikut.
Gambar 1.
Metodologi Penelitian 1 Scraping Data Scraping data adalah proses pengumpulan data secara otomatis dari sumber tertentu, dalam hal ini data aplikasi Seabank di Google Play Store.
Proses ini dilakukan menggunakan platform Google Colab, paket Google-playscraper, serta bahasa pemrograman Python.
Data yang diambil mencakup konten, ulasan, dan skor atau rating yang diberikan pengguna, yang kemudian disimpan dalam file CSV untuk keperluan analisis lebih lanjut.
Seluruh data awal diambil, tetapi data akhir yang digunakan dalam analisis ini hanya ulasan dan skor pengguna.
Berikut adalah contoh kode yang digunakan untuk melakukan scraping data:
Gambar 2.
Code Python Scraping Data Elisabeth Dwi Kurnia Wardani.
Dkk.
Implementasi Algoritma Naive Bayes Untuk Analisis Ulasan Pengguna Untuk Aplikasi Seabank Di Google Play Store 2 Labelling Penandaan atau labelling adalah pendekatan untuk membagi data menjadi dua kategori berdasarkan nilai atau skor.
Nilai dengan skor kurang dari tiga dianggap Negatif, sedangkan nilai dengan skor lebih dari tiga dianggap Positif.
Gambar 3 menunjukkan kode proses penandaan, dan skor 3 diabaikan karena dianggap ambigu.
Gambar 3.
Code Python Labelling 3 Data Cleaning Proses pembersihan data dimulai dengan memeriksa hasil set data yang diambil dan dilabeli.
Kemudian, data ditampilkan dengan nilai null dengan fitur isna() dan fitur dropna().
Kemudian simpan ke dalam file.
Gambar 4 menunjukkan kode yang digunakan dalam proses data cleaning.
Gambar 4.
Code Python Data Cleaning 4 Preprocessing Text Preprocessing teks adalah proses berikutnya di mana data yang telah diambil dan dibersihkan diformat sehingga dapat diproses ke tahap berikutnya .
Proses preprocessing teks terdiri dari empat tahap: Case Folding, stopword removal, tokenization, dan stemming.
Sebagaimana ditunjukkan pada Gambar 5 di bawah ini.
Gambar 5.
Alur Proses Prepocessing Text Case Folding Semua huruf kapital dari A hingga Z diubah menjadi huruf kecil dari A hingga Z pada tahap Case Folding, yang memastikan bahwa format teks tetap konsisten .
Stopword Removal Langkah berikutnya adalah menghapus kata-kata yang memiliki informasi minimal atau tidak relevan dalam teks, yang dikenal sebagai stopwords, untuk menyaring elemen yang tidak penting dalam analisis .
Tokenizing Tokenizing, yang memecah teks atau kalimat menjadi bagian-bagian kata untuk dianalisis lebih lanjut, dilakukan setelah tahap penghapusan stopword .
Stemming Tahap selanjutnya adalah stemming, yang berarti mengembalikan kata yang memiliki afiks ke bentuk Kemudian simpan data dalam file.
5 Splitting Data Text Preprocessing: Setelah proses preprocessing selesai, langkah berikutnya adalah pembagian data.
Sebelum melanjutkan ke tahap berikutnya, tujuan adalah untuk membagi data menjadi dua set: 80% untuk set pelatihan dan 20% untuk set uji .
Gambar 6 menunjukkan kode proses pembagian data:
Elisabeth Dwi Kurnia Wardani.
Dkk.
Implementasi Algoritma Naive Bayes Untuk Analisis Ulasan Pengguna Untuk Aplikasi Seabank Di Google Play Store Gambar 6.
Code Python Splitting Data 6 Term Frequency inverse Document Frequency (TF-IDF) Setelah pembagian data.
TF-IDF digunakan untuk menganalisis data pelatihan guna mengidentifikasi istilah yang kerap muncul serta memberi masing-masing nilai yang ditentukan oleh seberapa sering istilah tersebut muncul pada dokumen, serta relevansinya terhadap keseluruhan dataset.
Teknik ini membantu menilai pentingnya kata-kata tertentu dalam konteks analisis sentimen.
Nilai atau berat kata akan meningkat jika muncul lebih sering dalam Gambar 7 di bawah ini menunjukkan kode proses pembobotan TF-IDF :
Gambar 7.
Code Python TF-IDF 7 Naive Bayes Setelah tahap TF-IDF, algoritma Naive Bayes digunakan untuk proses klasifikasi.
Naive Bayes adalah metode klasifikasi sederhana yang menghitung peluang berdasarkan kombinasi data yang ada.
Sering kali, metode ini digunakan untuk mengklasifikasikan data dengan memanfaatkan teori probabilitas.
Dalam analisis sentimen, setiap kata dalam dokumen atau kumpulan data akan dihitung untuk menentukan apakah sentimennya positif atau negatif menggunakan bobot TF-IDF.
Rumus dasar algoritma adalah:
Di mana:
P(COX)P(COX)
P(XOC)P(XOC)
P(C)P(C)
P(X)P(X)
: Probabilitas suatu kelas CC .
isalnya, sentimen positif atau negati.
diberikan data XX.
: Probabilitas data XX muncul dalam kelas CC.
: Probabilitas awal dari kelas CC.
: Probabilitas data XX secara keseluruhan.
mengasumsikan bahwa setiap fitur atau variabel independen satu sama lain, yang membuat perhitungan menjadi lebih sederhana.
Salah satu keunggulan utama algoritma ini adalah membutuhkan sedikit data pelatihan untuk menghasilkan model yang akurat.
Dengan menerapkan algoritma ini, data sentimen dari ulasan pengguna dapat diklasifikasikan secara efisien untuk menghasilkan wawasan yang bermanfaat.
8 Confusion matrix Selanjutnya, evaluasi dilakukan menggunakan matriks kebingungan, yang sering disebut sebagai confusion Tujuan dari evaluasi berikut ialah guna menilai kinerja metode klasifikasi.
Empat istilah utama yang dipakai pada penilaiannya yaitu True Positives (TP).
True Negatives (TN).
False Positives (FP), serta False Negatives (FN).
Setelah menghitung nilai-nilai ini, terdapat perumusan yang diterapkan untuk menghitung akurasi, presisi, dan recall guna mengukur performa metode klasifikasi.
Accuraty = ycNycE ycNycA ycNycuycycayco Keterangan :
TP (True Positiv.
= Data prediksi serta nilai aktual positif dapat disingkat menjadi data prediksi positif atau data hasil nyata positif.
TN (True Negativ.
= Data dengan prediksi serta nilai aktual negatif bisa disingkat menjadi data prediksi negatif atau data hasil nyata negatif.
Precision = ycNycE ycNycE yaycE Elisabeth Dwi Kurnia Wardani.
Dkk.
Implementasi Algoritma Naive Bayes Untuk Analisis Ulasan Pengguna Untuk Aplikasi Seabank Di Google Play Store Keterangan :
TP (True Positiv.
= Data dengan prediksi dan nilai aktual positif bisa disebut data prediksi dan hasil aktual positif.
FP (False Positiv.
= Data dengan prediksi positif namun nilai aktual negatif bisa disebut data prediksi positif dengan hasil aktual negatif.
Recall = ycNycE ycNycE yaycA Keterangan :
TP (True Positiv.
= Data dengan prediksi dan nilai aktual positif bisa disingkat menjadi data prediksi dan hasil aktual positif.
FN (False Negativ.
= Data dengan prediksi negatif, meskipun nilai aktualnya positif, dapat disebut sebagai data prediksi negatif dengan hasil aktual positif.
9 Word Cloud Setelah tahap evaluasi, langkah selanjutnya adalah presentasi visual melalui Word Cloud dan diagram.
Pada tahap ini, awan kata serta grafik akan digunakan untuk mengilustrasikan istilah-istilah yang umum digunakan dalam ulasan yang menguntungkan dan tidak menguntungkan dari aplikasi Seabank, sehingga memudahkan identifikasi kata-kata yang kerap muncul dalam keseluruhan sentimen .
HASIL DAN PEMBAHASAN
Analisis sentimen pada aplikasi SeaBank dilakukan secara terstruktur menggunakan teknik yang diimplementasikan melalui Google Colab.
Bagian berikutnya akan menguraikan contoh data yang didapat melalui tahapan pengumpulan data, pemberian label, pembersihan, pemrosesan teks, pembagian dataset, penggunaan TFIDF, klasifikasi dengan , evaluasi menggunakan Confussion Matrix, serta visualisasi hasil menggunakan.
1 Scraping Data Ulasan nasabah Seabank di Google Play Store menjadi sumber data studi berikut.
Sebanyak 1000 data dihimpun dengan teknik scraping, seperti yang ditunjukkan pada Gambar 8.
Gambar 8.
Hasil Scraping Data 2 Labelling Setelah scraping, data dilabelkan dengan dua kategori: Positif dan Negatif.
Hasilnya bisa ditelaah pada Gambar 9 di bawah ini.
Gambar 9.
Hasil Labelling 3 Data Cleaning Langkah pertama dalam proses pembersihan adalah memeriksa dataset yang diperoleh dari proses pengambilan Data ini diperiksa untuk mengetahui apakah terdapat nilai yang hilang atau null dengan menggunakan fungsi isna() dari pandas.
Setelah itu, data yang mengandung nilai kosong atau null akan dihapus agar dataset menjadi Elisabeth Dwi Kurnia Wardani.
Dkk.
Implementasi Algoritma Naive Bayes Untuk Analisis Ulasan Pengguna Untuk Aplikasi Seabank Di Google Play Store bersih dan siap digunakan.
Dataset yang sudah dibersihkan kemudian disimpan kembali dalam format file .
Hasil data sebelum dan setelah proses data cleaning Gambar 10 dan 11 di bawah ini menunjukkan hal ini.
Gambar 10.
Hasil Sebelum di lakukan Cleaning Data Gambar 11.
Hasil Sesudah di lakukan Cleaning Data 4 Preprocessing Text Preprocessing, yang merupakan tahap penting dalam analisis data, terutama untuk data teks, dilakukan setelah pelabelan selesai.
Tujuan dari preprocessing adalah untuk membuat data siap untuk analisis lebih lanjut.
Berikut adalah tahapan-tahapan yang dilakukan:
Case Folding: Ini merupakan proses mengubah semua huruf dalam data menjadi huruf kecil tanpa mempertimbangkan apakah huruf tersebut kapital atau tidak.
Stop Word Removal: Kata-kata umum seperti "dan", "yang", "di", "untuk", dan sebagainya dihilangkan selama proses.
Tokenizing: proses pembagian kalimat menjadi bagian yang lebih kecil yang terdiri dari kata-kata individu.
Stemming: Proses ini bertujuan untuk mengubah kata-kata menjadi bentuk dasar atau akar kata dari kata Hasil dari tahapan-tahapan di atas dapat dilihat pada tabel berikut.
Proses Case Folding StopWord Removal Tokenizing Stemming Tabel 1.
Hasil Proses Prepocessing Text Hasil .
aya top up saldo lewat dana, di aplikasi dana transaksi berhasil, tapi di aplikasi seabank saldonya belum masu.
op up, saldo, dana, aplikasi, dana, transaksi, berhasil, aplikasi, seabank, saldonya, masu.
aya, top up, saldo, lewat, dana, di, aplikasi, dana, transaksi, berhasil, tapi, di, aplikasi, seabank, saldonya, belum, masu.
opup, saldo, dana, aplikasi, dana, transaksi, berhasil, aplikasi, seabank, saldonya, masu.
5 Splitting Data Data pelatihan .
%) dan pengujian .
%) terdiri dari data ulasan aplikasi Seabank saat ini.
Pembagian ini menggunakan metode train_test_split untuk menjamin distribusi kelas yang proporsional.
Metode ini memungkinkan model untuk dilatih dengan data pelatihan dan diuji dengan data pengujian.
Pembagian yang tepat sangat penting untuk menilai kinerja model dan mencegah overfitting.
Tabel 2.
Hasil Proses Splitting Data Kelas Sentimen Data Latih .
%) Data Uji .
%) Negatif Positif Elisabeth Dwi Kurnia Wardani.
Dkk.
Implementasi Algoritma Naive Bayes Untuk Analisis Ulasan Pengguna Untuk Aplikasi
Seabank Di Google Play Store
Total
6 TF-IDF
Untuk menghasilkan fitur data, metode Term Frequency-Inverse Document Frequency (TF-IDF) menggunakan hasil stemming.
TF-IDF menghitung pentingnya setiap kata dengan mempertimbangkan frekuensi kemunculannya baik dalam dokumen tertentu maupun dalam kumpulan dokumen secara keseluruhan.
TfidfVectorizer dari scikitlearn digunakan untuk menghitung bobot masing-masing kata.
Tabel yang dihasilkan mencakup istilah, frekuensi kemunculan, dan bobot TF-IDF.
Tabel ini dapat digunakan untuk analisis teks lanjutan atau untuk mengembangkan model pembelajaran yang lebih baik.
Gambar 12.
Hasil Proses TF-IDF 7 Hasil Pengujian Naive Bayes Setelah tahap TF-IDF, algoritma digunakan untuk mengklasifikasikan data.
Algoritma ini biasanya digunakan untuk mengklasifikasikan data dengan menghitung probabilitas.
Pada proses ini, setiap kata dalam dokumen atau kumpulan data dianalisis untuk menentukan apakah sentimen yang terkandung adalah positif atau negatif, berdasarkan hasil perhitungan yang diperoleh dari TF-IDF.
Gambar 13.
Code Python Klasifikasi Navie Bayes Hasil pengujian klasifikasikan menggunakan data TF-IDF:
Input Data Fitur (X): Teks berisi kata-kata seperti aplikasi, berhasil, saldo, dsb.
, dengan nilai TF-IDF sebagai input model.
Likelihood (P.
iIC)): robabilitas setiap fitur diberikan kelas tertentu dihitung dari nilai weight TF-IDF.
Sebagai contoh:
plikasiOC.
=1.
aldoOC.
=1.
idakOC.
=0.
Posterior Probabilitas (P(CO X)): Dihitung dengan rumus:
a ) ycE.
ycU) Oy ycE.
UI Oa .
Klasifikasi: Pilih kelas Cmaks dengan probabilitas posterior tertinggi.
A Perhitungan 1 data Teks yang akan diklasifikasi mengandung kata aplikasi, saldo, dan tidak.
Dengan data TF-IDF:
plikasiOC.
=1.
aldoOC.
=1.
idakOC.
=0.
Dan prior P(C.
=0.
P(C.
=0.
Elisabeth Dwi Kurnia Wardani.
Dkk.
Implementasi Algoritma Naive Bayes Untuk Analisis Ulasan Pengguna Untuk Aplikasi Seabank Di Google Play Store Untuk C1:
cU) = ycE.
a1 ) UI ycE(\ycyceycuyc.
a1 ) UI ycE(\ycyceycuyc.
a1 ) ycE.
cU) = 0.
6 UI 1.
557217 UI 1.
cU) = 1.
Untuk C2:
cU) = ycE.
a2 ) UI ycE(\ycyceycuyc.
a2 ) ycE.
cU) = 0.
4 UI 0.
cU) = 0.
Karena P(C1OX) > P(C2OX) teks diklasifikasikan ke dalam kelas C1.
8 Confusion matrix Seperti yang ditunjukkan di bawah ini, tahap berikutnya adalah tahap evaluasi menggunakan matriks Tujuan dari tahap ini adalah untuk memastikan bahwa hasil klasifikasi data pemeriksaan benar.
Aktual/Prediksi False Tabel 3.
Hasil Proses TF-IDF True Negatif Positif Total Prediksi Total Aktual Setelah memperoleh nilai dari True Positives (TP).
True Negatives (TN).
False Positives (FP), dan False Negatives (FN), dapat dihitung Accuracy dengan persamaan .
Precision dengan persamaan .
dan Recall dengan persamaan .
sebagai berikut :
Accuracy = Precision = Recall = = 1
= 0,97
= 0,84
Langkah berikutnya adalah melakukan pengujian kinerja model dalam bahasa pemrograman Python untuk menghitung metrik evaluasi seperti akurasi, presisi, dan recall.
Dengan menggunakan rumus-rumus tersebut, kita dapat mengukur sejauh mana model klasifikasi dapat mengklasifikasikan data dengan benar, serta mengidentifikasi kesalahan klasifikasi yang terjadi.
Pengujian ini memberikan gambaran yang lebih jelas tentang keefektifan model dalam menangani data yang diberikan.
Gambar 14 menunjukkan kode script pengujian, dan Tabel 4 menunjukkan Gambar 14.
Code Python Confusion matrix Tabel 4.
Hasil Proses Perhitungan Confusion matrix dengan menggunakan python Kelas Sentimen Precision Recall F1-Score Support Negatif Positif Elisabeth Dwi Kurnia Wardani.
Dkk.
Implementasi Algoritma Naive Bayes Untuk Analisis Ulasan Pengguna Untuk Aplikasi Seabank Di Google Play Store Total 9 Word Cloud Sentimen Positif Hasil pengambilan informasi dari studi ini menunjukkan bahwa analisis sentimen menghasilkan sentimen positif, yang mengelompokkan teks atau data tertentu ke dalam kategori positif, serta sentimen negatif untuk opini yang menunjukkan ketidakpuasan.
Data dianalisis dan dibagi menjadi kategori positif, negatif, dan kategori lainnya setelah proses pengelompokan.
Nilai ambang batas .
untuk sentimen positif ditentukan berdasarkan probabilitas, di mana opini dengan probabilitas Ou0.
6 diklasifikasikan sebagai sentimen positif.
Sedangkan untuk sentimen negatif, nilai ambang batas ditentukan pada probabilitas <0.
Hasil pengambilan informasi ini meningkatkan pemahaman tentang bagaimana emosi positif dan negatif tersebar dalam kumpulan data, memberikan wawasan mendalam terhadap persepsi pengguna yang dapat digunakan untuk meningkatkan kualitas layanan.
Gambar 15.
Gambar Diagram Hasil Sentimen Positif Gambar 16.
Gambar Hasil Sentimen Positif Sentimen Negatif Nilai ambang batas (*threshold*) sentimen negatif adalah parameter penting yang digunakan untuk mengklasifikasikan apakah suatu opini termasuk dalam kategori negatif.
Ambang batas ini biasanya ditentukan berdasarkan nilai probabilitas atau skor yang dihasilkan oleh metode *Nayve Bayes*.
Dalam penelitian ini, ambang batas untuk sentimen negatif ditetapkan pada nilai tertentu .
isalnya, probabilitas < 0.
5 atau sesuai dengan hasil tuning mode.
Jika nilai probabilitas hasil prediksi lebih rendah dari ambang batas tersebut, maka sentimen diklasifikasikan sebagai negatif.
Sebagai contoh, jika ambang batasnya adalah 0.
4, maka semua data dengan probabilitas kurang dari 0.
4 akan dikelompokkan ke dalam kategori sentimen negatif.
Untuk analisis lebih lanjut, detail nilai ambang batas yang digunakan .
isalnya: apakah fixed atau adaptif terhadap distribusi dat.
dapat membantu menilai sejauh mana model ini sensitif dalam mendeteksi emosi negatif dari pelanggan.
Apabila memungkinkan, mohon konfirmasi nilai spesifik dari ambang batas yang digunakan dalam penelitian Anda, agar analisis dapat diperjelas sesuai dengan data penelitian Anda.
Elisabeth Dwi Kurnia Wardani.
Dkk.
Implementasi Algoritma Naive Bayes Untuk Analisis Ulasan Pengguna Untuk Aplikasi Seabank Di Google Play Store Gambar 17.
Gambar Diagram Hasil Sentimen Negatif Grafik ini menunjukkan Top 10 Kata yang sering muncul dalam sentimen negatif terkait Seabank.
Kata-kata seperti "sangat" dan "tidak" mendominasi dengan frekuensi tertinggi, yang menunjukkan adanya intensitas ketidakpuasan Kata-kata lain seperti "buruk," "crash," dan "customer" juga menonjol, menunjukkan isu-isu spesifik seperti kegagalan layanan dan pengalaman pengguna yang mengecewakan.
Gambar 18.
Gambar Hasil Sentimen Negatif Word Cloud ini memberikan representasi visual dari kata-kata dominan dalam ulasan negatif.
Kata "tidak," "sangat," dan "sering" muncul paling besar, memperlihatkan fokus utama keluhan.
Istilah seperti "error," "mengganggu," "lambat," dan "gagal" menguatkan narasi bahwa masalah teknis menjadi perhatian utama.
Gambar 18.
Gambar Diagram Perdandingan Hasil Sentimen Negatif Gambar 18 menunjukkan distribusi kelas sentimen pada data latih dan data uji.
Grafik ini memperlihatkan jumlah data dengan sentimen negatif dan positif pada kedua set data tersebut.
Data Latih:
Sentimen negatif memiliki jumlah 259 data.
Sentimen positif memiliki jumlah 541 data.
Dengan demikian, data latih memiliki distribusi yang lebih dominan pada sentimen positif dibandingkan negatif.
Data Uji:
Sentimen negatif memiliki jumlah 69 data.
Sentimen positif memiliki jumlah 131 data.
Sama seperti data latih, data uji juga menunjukkan dominasi sentimen positif dibandingkan negatif, meskipun jumlahnya lebih kecil.
Perbandingan ini menunjukkan bahwa data latih dan data uji memiliki pola distribusi yang serupa, di mana sentimen positif lebih dominan.
Hal ini penting untuk memastikan konsistensi data selama proses Elisabeth Dwi Kurnia Wardani.
Dkk.
Implementasi Algoritma Naive Bayes Untuk Analisis Ulasan Pengguna Untuk Aplikasi Seabank Di Google Play Store pelatihan dan pengujian model.
Selain itu, distribusi ini membantu memberikan gambaran awal mengenai persepsi pengguna terhadap layanan, yang cenderung lebih positif.
KESIMPULAN
Berdasarkan hasil analisis menggunakan metode Nayve Bayes, model mampu mencapai tingkat akurasi sebesar 85%, yang menunjukkan bahwa metode ini efektif dalam mengklasifikasikan sentimen pelanggan terhadap layanan digital Seabank.
Hasil perhitungan confusion matrix menunjukkan performa klasifikasi yang cukup baik dengan distribusi sentimen ke dalam tiga kategori utama: "Baik Sekali," "Baik," dan "Buruk.
" Pada kategori sentimen positif ("Baik Sekali" dan "Baik"), model berhasil mengidentifikasi sebanyak 88% data dengan benar, sementara pada kategori negatif ("Buruk"), akurasi mencapai 82%.
Hasil ini menunjukkan bahwa model memiliki kemampuan yang handal dalam mengenali pola-pola sentimen, terutama pada kategori positif.
Dengan demikian, penelitian ini memberikan kontribusi signifikan dalam memahami persepsi pelanggan dan dapat digunakan sebagai dasar untuk meningkatkan kualitas layanan digital yang lebih responsif terhadap kebutuhan pengguna.
DAFTAR PUSTAKA