Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal JIKSI (Jurnal Ilmu Komputer dan Sistem Informasi)
Jonathan Adrian Wibowo
Unknown Affiliation
Computer Science & IT Mathematics Other

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Penerapan Support Vector Machine untuk Analisis Sentimen Fitur Layanan pada Ulasan Gojek Jonathan Adrian Wibowo; Viny Christanti Mawardi; Tri Sutrisno
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 12 No. 1 (2024): JURNAL ILMU KOMPUTER DAN SISTEM INFORMASI
Publisher : Fakultas Teknologi Informasi Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/jiksi.v12i1.28211

Abstract

Perkembangan teknologi informasi, seperti yang dapat dilihat oleh platform seperti Gojek telah mengubah cara manusia dalam beraktivitas. Gojek, yang hadir sebagai aplikasi layanan transportasi dan makanan berbasis teknologi telah membawa banyak dampak signifikan dalam cara masyarakat bergerak, berbelanja, dan beraktivitas. Google Play Store sebagai salah satu gerbang bagi pengguna aplikasi untuk mengakses aplikasi seperti Gojek, menyediakan informasi penting tentang aplikasi, salah satunya ulasan pengguna untuk membantu pengguna dalam membuat keputusan sebelum mengunduh aplikasi tersebut. Oleh sebab itu, penelitian ini akan melakukan analisis sentimen berbasis fitur dengan fokus ulasan pengguna terhadap fitur layanan Gojek. Dataset yang digunakan terdiri dari 2000 data ulasan pengguna yang diambil dari website Google Play Store. Proses klasifikasi akan menggunakan algoritma Support Vector Machine. Dari hasil evaluasi menggunakan Confusion Matrix, ditemukan kernel RBF mendapatkan hasil akurasi terbaik, yaitu sebesar 95,26% untuk analisis fitur dan 88,53% untuk analisis sentimen dengan pembagian data latih dan uji yang sama, yaitu 80/20. Sebaliknya, hasil kurang baik ditemukan pada kernel Polynomial, yaitu 75,06% untuk analisis fitur dengan pembagian data latih dan uji 80/20. Sedangkan, untuk analisis sentimen sebesar 79,28% dengan pembagian data latih dan uji 60/40. Dari penelitian ini, diperoleh model pelatihan terbaik yang bisa digunakan adalah kernel RBF sebagai metode klasifikasi.
Co-Authors TRI SUTRISNO Viny Christanti M