ANALISIS SENTIMEN E-WALLET OVO DAN DANA PADA ULASAN GOOGLE PLAY MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR

research
  • 13 Oct
  • 2021

ANALISIS SENTIMEN E-WALLET OVO DAN DANA PADA ULASAN GOOGLE PLAY MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR

E-wallet atau dikenal juga dengan istilah dompet digital belakangan popularitasnya
makin menanjak, penetrasi pembayaran lewat mobile ini pun hampir menginjak
angka 30%, berdasarkan hasil studi dari lembaga riset independen FT Confidential
Research. Banyak orang mulai merasakan manfaat dompet digital seperti
menawarkan kepraktisan, efisiensi, keamanan, hingga promo dan diskon layaknya
kartu kredit. Dari beberapa produk E-Wallet peneliti mengambil studi kasus yaitu
produk OVO dan DANA dengan mengambil hasil ulasan pada Google Play. Ulasan
dari pengguna sering digunakan sebagai alat yang efektif dan efisien dalam
menemukan informasi terhadap suatu produk atau jasa. Para pengguna internet
biasanya akan melihat ulasan suatu produk terlebih dahulu sebelum menggunakan
suatu produk, karena review dari pengguna lain dapat menyediakan informasi
terbaru dari produk tersebut. Namun untuk memantau dan mengorganisir opini
masyarakat bukanlah hal yang mudah. Opini yang dimuat di media sosial
jumlahnya terlalu banyak untuk diproses secara manual. Oleh sebab itu peneliti
ingin mengetahui sejauh mana analisis review pengguna aplikasi E-Wallet
berdasarkan pemberian bintang (*) setelah menggunakan aplikasi tersebut. Metode
yang digunakan dalam penelitian ini menggunakan algoritma K-Nearest Neighbor
pada klasifikasi 3 kelompok kelas, kelas pertama terdiri dari lima kelas yaitu dari
rating 1 sampai dengan rating 5, kelas kedua terdiri dari dua kelas yaitu rating 1 dan
rating 5, terakhir kelas ketiga terdiri dari tiga kelas dengan mengelompokan rating
1 dan 2 sebagai status negatif, rating 3 netral dan rating 4 5 kedalam status positif,
dan mencari nilai accuray terbaik dari aplikasi E-Wallet OVO dan DANA, serta
mencari nilai k terbaik. Hasil dari penelitian ini dengan metode K-Neaarest
Neighbor dengan nilai k=1 pada OVO/DANA mendapatkan nilai akurasi yang
paling tinggi karena menghasilkan Accuracy pada OVO dengan menggunakan 2
kelas 84.86 % sedangkan pada DANA dengan menggunakan 2 kelas 86.64%

Unduhan

 

REFERENSI

Aburomman, Amin Abdula, et el. (2015) “A novel SVM-kNN-PSO ensemble
method for intrusion detection system”
https://doi.org/10.1016/j.asoc.2015.10.011
Aditya, Suwanda, et al. Analisis Sentimen E-Wallet Pada Google Play
Menggunakan Algoritma Naive Bayes Berbasis Particle Swarm
Optimization. Vol. 1, no. 10, 2019, pp. 3–8.
Arifin, Yoseph Tajul. “Komparasi Fitur Seleksi Pada Algoritma Support
Vector Machine Untuk Analisis Sentimen Review.” Jurnal Informatika
(JI) UBSI, vol. 3, no. September, 2016, pp. 191–99.
Buntoro, Asrofi Ghulam. 2017. Analisis Sentimen Calon Gubernur DKI
Jakarta 2017 di Twitter. Jakarta : Integer Journal Vol 1 No 1 Maret
2016:32-41.
C, Dennis Aprilla. “Belajar Data Mining Dengan RapidMiner.” Innovation
and Knowledge Management in Business Globalization: Theory &
Practice, Vols 1 and 2, 2013, doi:10.1007/s13398-014-0173-7.2.
Ernawati, Siti, and Risa Wati. “Penerapan Algoritma K-Nearest Neighbors
Pada Analisis Sentimen Review Agen Travel.” Jurnal Khatulistiwa
Informatika, vol. VI, no. 1, 2018, pp. 64–69,
https://ejournal.bsi.ac.id/ejurnal/index.php/khatulistiwa/article/view/38
02/2626.
Eransa, Doni. (2016, Desember, 12). Data Mining. Dipetik Mei 15, 2018, dari
https://student.uigm.ac.id/assets/file/Materi/Quiz2_BI.pdf.
Gunawan, Ferly, et al. “Analisis Sentimen Pada Ulasan Aplikasi Mobile
Menggunakan Naive Bayes Dan Normalisasi Kata Berbasis Levenshtein
Distance (Studi Kasus Aplikasi BCA Mobile).” Systemic: Information
System and Informatics Journal, vol. 3, no. 2, 2017, pp. 1–6,
doi:10.29080/systemic.v3i2.234.
Gorunescu, F. (2011). Data Mining. Intelligent Systems Reference
Library. doi:10.1007/978-3-642-19721-5
Hashimi, Hussein, et al. “Selection Criteria for Text Mining Approaches.”
Computers in Human Behavior, vol. 51, Elsevier Ltd, 2015, pp. 729–33,
doi:10.1016/j.chb.2014.10.062.
Hastuti, Khafizh. "Analisis Komparasi Algoritma Klasifikasi Data Mining
Untuk Prediksi Mahasiswa Non Aktif", Seminar Nasional Teknologi

Informasi & Komunikasi Terapan 2012 (Semantik 2012), ISBN 979-26-
0255-0
Hossin, M.1 and Sulaiman, M. N. .. “A Review on Evaluation Metrics for
Data Classification Evaluations.” International Journal of Data Mining
& Knowledge Management Process, vol. 5, no. 2, 2015, pp. 01–11,
doi:10.5121/ijdkp.2015.5201.
Http://www.gataframework.com/
Https://sitimasyithah.wordpress.com/2016/10/22/analisis-data-pemilu
Khafiizh Hastuti. “Foreword.” Seminars in Neurology, vol. 14, no. 1, 1994,
pp. 241–49.
Liaw, Yi-Ching, et el. (2010) " Fast exact k nearest neighbors search using
an orthogonal search tree" https://doi.org/10.1016/j.patcog.2010.01.003
Medhat, Walaa, et al. “Sentiment Analysis Algorithms and Applications: A
Survey.” Ain Shams Engineering Journal, vol. 5, no. 4, Faculty of
Engineering, Ain Shams University, 2014, pp. 1093–113,
doi:10.1016/j.asej.2014.04.011.
Nurjanah, Winda Estu, et al. “Analisis Sentimen Terhadap Tayangan Televisi
Berdasarkan Opini Masyarakat Pada Media Sosial Twitter
Menggunakan Metode K-Nearest Neighbor Dan Pembobotan Jumlah
Retweet.” Jurnal Pengembangan Teknologi Informasi Dan Ilmu
Komputer (J-PTIIK) Universitas Brawijaya, vol. 1, no. 12, 2017, pp.
1750–57, doi:10.1074/jbc.M209498200.
Raharjo, Suwanto, and Edi Winarko. “Klasterisasi, Klasifikasi Dan
Peringkasan Teks Berbahasa Indonesia.” Kommit 2014, vol. 8, no.
Kommit, 2014, pp. 391–401.
Rofiqoh, Umi, et al. Analisis Sentimen Tingkat Kepuasan Pengguna Penyedia
Layanan Telekomunikasi Seluler Indonesia Pada Twitter Dengan
Metode Support Vector Machine Dan Lexicon Based Features. Vol. 1,
no. 12, 2017, pp. 1725–32.
Rokach, Lior dan Oded Maimon.2015. Data mining With Decision Trees
Theory

and Applications 2nd Edition. America
Publishing.		: World Scientific

Salam, Abu, et al. "Analisis Sentimen Data Komentar Sosial Media Facebook
dengan K-Nearest Neighbor (Studi Kasus Pada Akun Jasa Ekspedisi
Barang J&T Ekspress Indonesia)" Prosiding SINTAK 2018, ISBN :
978-602-8557-20-7
Sarlan, Aliza, et al. “Twitter Sentiment Analysis.” Conference Proceedings -
6th International Conference on Information Technology and
Multimedia at UNITEN: Cultivating Creativity and Enabling
Technology Through the Internet of Things, ICIMU 2014, 2015, pp.
212–16, doi:10.1109/ICIMU.2014.7066632.
Sartika, Dewi, and Dana Indra. “Perbandingan Algoritma Klasifikasi Naive
Bayes, Nearest Neighbour, Dan Decision Tree Pada Studi Kasus
Pengambilan Keputusan Pemilihan Pola Pakaian.” Jurnal Teknik
Informatika Dan Sistem Informasi, vol. 1, no. 2, 2017, pp. 151–61.
Siregar, Riki Ruli A., et al. “Klasifikasi Sentiment Analysis Pada Komentar
Peserta Diklat Menggunakan Metode K-Nearest Neighbor.” Kilat, vol.
8, no. 1, 2019, pp. 81–92, doi:10.33322/kilat.v8i1.421.
Susilowati, Elly, et al. “Implementasi Metode Support Vector Machine Untuk
Melakukan Klasifikasi Kemacetan Lalu Lintas Pada Twitter.” EProceeding of Engineering, vol. 2, no. 1, 2015, pp. 1–7.
Prasetyo, E. (2014). Data Mining Mengolah Data Menjadi Informasi
Menggunakan Matlab. Yogyakarta: Andi Offset.
Wahyudi, Tri., Richardus E.I & M. Fauzi. (2017). Pemanfaatan Status Kredit
Nasabah Untuk Mengevaluasi Pembiayaan Kpr Pada Bank Muamalat
Indonesia Menggunakan Data Mining. Seminar Nasional Sains dan
Teknologi 2017. e-ISSN : 2460 – 8416.
Witten, Ian H, et al. (20111) "Data Mining : Practical Machine Learning
Tools And Techniques, 3rd ed. USA : Morgan Kaufmann Publishers
Is an Imprint Of Elsevier
Zhao, Yangchang, and Yangchang Zhao. “Chapter 10 – Text Mining.” R and
Data Mining, 2013, pp. 105–22, doi:10.1016/B978-0-12-396963-
7.00010-6.

Cari

Bidang Ilmu

Kategori

Kiriman Terbaru