Analisis Sentimen Pada Ulasan Aplikasi Bca Mobile Menggunakan Bm25 Dan Improved K-Nearest Neighbor
| Main Author: | Onantya, Indriya Dewi |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2019
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/168961/1/Indriya%20Dewi%20Onantya%20%282%29.pdf http://repository.ub.ac.id/168961/ |
Daftar Isi:
- Di era informasi seperti saat ini, internet memegang peranan penting dalam segala aspek kehidupan manusia. Hal ini mendorong berbagai aplikasi mobile menjadi berkembang dengan sangat cepat. Beberapa aplikasi akhirnya bermunculan dengan tujuan mempermudah dalam memenuhi kebutuhan manusia. Aplikasi mobile banking merupakan salah satu aplikasi yang dianggap dapat memberikan kemudahan dalam kegiatan manusia. Salah satu aplikasi mobile banking yang banyak digunakan adalah aplikasi BCA Mobile. Setiap aplikasi mobile tersebut mengijinkan pengguna untuk memberikan ulasan terhadap pelayanan dan fitur yang diberikan. Namun dari aplikasi mobile yang ada saat ini, tidak ditemukan adanya fitur analisis sentimen untuk mengelompokkan atau menyaring antara ulasan positif dan negatif. Untuk mengetahui ulasan tersebut tergolong ulasan positif atau negatif, maka diperlukan analisis sentimen untuk mengelompokkan ulasan tersebut. Dalam penelitian ini, analisis sentimen dilakukan dalam beberapa tahapan atau proses. Proses tersebut terdiri dari preprocessing data, pembobotan kata yang diterapkan menggunakan algoritme BM25, dan algoritme Improved K-Nearest Neighbor untuk proses klasifikasi dokumen. Hasil pengujian yang dilakukan pada penelitian dengan menggunakan 5-fold cross validation mendapatkan hasil terbaik ketika nilai k-values sama dengan 10 dengan nilai f-measure sebesar 0,939, nilai precision sebesar 0,946, nilai recall sebesar 0,934, dan nilai accuracy sebesar 0,942. Maka dari itu dapat disimpulkan bahwa hasil dari analisis sentimen ini dipengaruhi oleh nilai k-values, sedangkan jumlah kelas pada tiap data latih tidak memengaruhi hasil evaluasi, karena nilai k-values baru yang dihasilkan dalam algoritme klasifikasi ini menyesuaikan dengan jumlah data uji tiap kelas