Implementasi Algoritma Multinomial Naive Bayes untuk Analisis Sentimen User Feedback Aplikasi
| Main Author: | Putri Wiratama, Gabriella |
|---|---|
| Format: | Thesis NonPeerReviewed application/pdf |
| Bahasa: | eng |
| Terbitan: |
, 2019
|
| Subjects: | |
| Online Access: |
http://kc.umn.ac.id/10154/1/HALAMAN_AWAL.pdf http://kc.umn.ac.id/10154/2/DAFTAR_PUSTAKA.pdf http://kc.umn.ac.id/10154/3/BAB_I.pdf http://kc.umn.ac.id/10154/4/BAB_II.pdf http://kc.umn.ac.id/10154/5/BAB_III.pdf http://kc.umn.ac.id/10154/6/BAB_IV.pdf http://kc.umn.ac.id/10154/7/BAB_V.pdf http://kc.umn.ac.id/10154/8/LAMPIRAN.pdf http://kc.umn.ac.id/10154/ |
Daftar Isi:
- User feedback menjadi sarana bagi pengembang aplikasi untuk mencari tahu dan memahami kebutuhan, preferensi, dan keluhan pengguna. Penting bagi pengembang untuk mengidentifikasi persoalan muncul dalam feedback yang diberikan pengguna. Hal ini sangat sulit dilakukan mengingat jumlah feedback yang diterima sebuah aplikasi setiap harinya. Membaca dan mengklasifikasi setiap feedback membutuhkan waktu yang lama dan sangat tidak efektif. Untuk mengatasi permasalahan tersebut, sistem analisis sentimen menggunakan algoritma pengklasifikasi Multinomial Naive Bayes dibuat untuk menentukan apakah suatu feedback memiliki sentimen positif atau negatif. Algoritma Naive Bayes umumnya digunakan untuk klasifikasi karena mudah dan efektif. Berdasarkan penelitian sebelumnya, algoritma Multinomial Naive Bayes memberikan performa terbaik dibandingkan dengan algoritma machine learning tradisional lainnya. Penelitian ini bertujuan untuk mengimplementasikan algoritma Multinomial Naive Bayes pada aplikasi web dengan bahasa pemrograman Python dan web framework Django, serta menghitung akurasi prediksi kelas yang dibuat oleh sistem. Berdasarkan hasil beberapa uji coba, akurasi prediksi kelas yang dievaluasi menggunakan confusion matrix menunjukkan bahwa model dengan perbandingan train dan test set sebesar 70:30 persen, dataset yang seimbang, serta dilakukan over-sampling masing- masing dataset sebesar 100% menghasilkan performa yang paling baik, dengan nilai accuracy 76.54%, precision 93.88%, recall 56.79%, dan F1 score 70.77%.