Sentimen Pengguna Aplikasi BRImo: Kinerja Algoritma Support Vector Machine, Naive Bayes, dan Adaboost

Susandri; Yurnalis; Edwar Ali; Susanti; Asparizal

doi:10.33372/stn.v9i2.1057

Susandri STMIK Amik Riau http://orcid.org/0000-0002-3875-9747
Yurnalis STMIK Amik Riau
Edwar Ali STMIK Amik Riau
Susanti STMIK Amik Riau
Asparizal Universitas Dumai

DOI: https://doi.org/10.33372/stn.v9i2.1057

Keywords: BRImo, Support Vector Machine, Naive Bayes, Adaboost, Komparasi

Abstract

Dalam konteks perkembangan industri perbankan yang semakin maju, pemanfaatan teknologi modern menjadi faktor kunci untuk meningkatkan kualitas layanan dan memenangkan persaingan di era digital. Bank Rakyat Indonesia (BRI) memikat perhatian masyarakat melalui peluncuran aplikasi perbankan seluler, BRImo. Namun Bank ini perlu meraih pandangan dan pengalaman nasabah terhadap aplikasi mobile banking untuk meningkatkan kualitas pelayanan. Penelitian ini memiliki tujuan untuk menganalisis ulasan pengguna BRImo sebagai objek penelitian. Komparasi dilakukan antara algoritma Support Vector Machine (SVM), Naive Bayes (NB), dan Adaboost dalam mengolah data teks. Evaluasi dilakukan berdasarkan tingkat akurasi, presisi, recall, dan nilai F1-score. Hasil penelitian menunjukkan bahwa algoritma SVM memberikan kinerja terbaik dalam mengklasifikasikan tanggapan masyarakat terhadap aplikasi BRImo, dengan tingkat akurasi sebesar 90,4%, presisi 90,8%, recall 90%, dan nilai F1-score 90,3%. Sebagai perbandingan, algoritma Adaboost memberikan nilai terendah dengan tingkat akurasi sebesar 87%, presisi 87,2%, recall 86,8%, dan nilai F1-score 86,9%.

Author Biography

Susandri, STMIK Amik Riau

ID Scopus ID Google Scholar ID SINTA (Science and Technology Index)

References

Aljuaid, H., Iftikhar, R., Ahmad, S., Asif, M., & Tanvir Afzal, M. (2021). Important citation identification using sentiment analysis of in-text citations. Telematics and Informatics, 56, 101492. https://doi.org/10.1016/j.tele.2020.101492

Alun Sujjadaa, Somantri, Juwita Nurfazri Novianti, & Indra Griha Tofik Isa. (2023). Analisis Sentimen Terhadap Review Bank Digital Pada Google Play Store Menggunakan Metode Support Vector Machine (Svm). Jurnal Rekayasa Teknologi Nusa Putra, 9(2), 122–135. https://doi.org/10.52005/rekayasa.v9i2.345

Chao, G., Liu, J., Wang, M., & Chu, D. (2023). Data augmentation for sentiment classification with semantic preservation and diversity. Knowledge-Based Systems, 280, 111038. https://doi.org/https://doi.org/10.1016/j.knosys.2023.111038

Ernianti Hasibuan, & Elmo Allistair Heriyanto. (2022). Analisis Sentimen Pada Ulasan Aplikasi Amazon Shopping Di Google Play Store Menggunakan Naive Bayes Classifier. Jurnal Teknik Dan Science, 1(3), 13–24. https://doi.org/10.56127/jts.v1i3.434

Gupta, N., & Agrawal, R. (2020). Application and techniques of opinion mining. In Hybrid Computational Intelligence. INC. https://doi.org/10.1016/b978-0-12-818699-2.00001-9

Hamzah, M. B. (2021). Classification of Movie Review Sentiment Analysis Using Chi-Square and Multinomial Naïve Bayes with Adaptive Boosting. Journal of Advances in Information Systems and Technology, 3(1), 67–74. https://doi.org/10.15294/jaist.v3i1.49098

Hendriyadi, I., Putri, A. F., Rahmawati, R., & Saputra, D. D. (2023). Sentiment Analysis of Rising Fuel Prices on Social Media Twitter using the Naïve Algorithm Bayes Classifiers And AdaBoost. Informatics and Software Engineering, 1(1), 14–23. https://doi.org/10.58777/ise.v1i1.55

Herlinawati, N., Yuliani, Y., Faizah, S., Gata, W., & Samudi, S. (2020). Analisis Sentimen Zoom Cloud Meetings di Play Store Menggunakan Naïve Bayes dan Support Vector Machine. CESS (Journal of Computer Engineering, System and Science), 5(2), 293. https://doi.org/10.24114/cess.v5i2.18186

Passi, K., & Kalakala, S. (2023). A Rule-Based Sentiment Analysis of WhatsApp Reviews in Telugu Language. In J. Choudrie, P. Mahalle, T. Perumal, & A. Joshi (Eds.), IOT with Smart Systems (pp. 167–180). Springer Nature Singapore.

Pradipabista, B., Adipradana, R., Suryadi, R., & Suhartono, D. (2021). ScienceDirect ScienceDirect Hoax Analyzer for Indonesian News Using Deep Learning Models. Procedia Computer Science, 179(2020), 704–712. https://doi.org/10.1016/j.procs.2021.01.059

Puji Astuti, A., Alam, S., & Jaelani, I. (2022). Komparasi Algoritma Support Vector Machine dengan Naive Bayes Untuk Analisis Sentimen Pada Aplikasi BRImo. Jurnal Bangkit Indonesia, 11(2), 1–6. https://doi.org/10.52771/bangkitindonesia.v11i2.196

Ramdani, C. M. S., Rachman, A. N., & Setiawan, R. (2022). Comparison of the Multinomial Naive Bayes Algorithm and Decision Tree with the Application of AdaBoost in Sentiment Analysis Reviews PeduliLindungi Application. International Journal of Information System & Technology Akreditasi, 6(4), 419–430.

Rousyati, R., Rais, A. N., Hasan, N., Amir, R. F., & Warjiyono, W. (2021). Komparasi Adaboost dan Bagging Dengan Naïve Bayes Pada Dataset Bank Direct Marketing. Bianglala Informatika, 9(1), 12–16. https://doi.org/10.31294/bi.v9i1.9890

Solecha, K., & Irnawati, O. (2023). Komparasi Algoritma Support Vector Machine Dan Naïve Bayes Berbasis Particle Swarm Optimization Pada Analisis Sentimen Ulasan Aplikasi Flip. JIEET (Journal of Information Engineering and Educational Technology), 07(1), 10–15.

Soumya, S., & Pramod, K. V. (2022). Hybrid Deep Learning Approach for Sentiment Classification of Malayalam Tweets. (IJACSA) International Journal of Advanced Computer Science and Applications, 13(4), 891–899.

Tri Julianto, I., Kurniadi, D., Septiana, Y., & Sutedi, A. (2023). Alternative Text Pre-Processing using Chat GPT Open AI. Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI), 12(1), 67–77. https://doi.org/10.23887/janapati.v12i1.59746