Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI Jurnal Minfo Polgan (JMP)
Firdo, Daud
Unknown Affiliation
Computer Science & IT Library & Information Science Mathematics Social Sciences

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : Jurnal Minfo Polgan (JMP)

 1 
Implementasi Algoritma Naïve Bayes dan Support Vector Machine pada Analisis Sentimen Ulasan Aplikasi Canva Hariyadi, Hariyadi; Firdo, Daud; Al Rafi, Muhammad Hadianur
Jurnal Minfo Polgan Vol. 13 No. 1 (2024): Artikel Penelitian
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/jmp.v13i1.13568

Abstract

Analisis sentimen merupakan teknik yang dapat digunakan dalam menemukan dan mengambil data subjektif, seperti pendapat, emosi, atau perasaan, dari dalam teks. Analisis sentimen dapat diterapkan pada ulasan pengguna untuk memahami seberapa mereka suka atau tidak suka dengan barang atau jasa tertentu. Dengan menganalisis sentimen ulasan pengguna, dapat diketahui seberapa baik aplikasi diterima oleh penggunanya. Penelitian ini menggunakan dataset berisi 1000 ulasan dari aplikasi. Ulasan dilakukan pelabelan sebagai positif atau negatif berdasarkan kata-kata dan frasa yang terkandung di dalamnya. Sehingga didapatkan 486 ulasan yang bersentimen positif dan 514 ulasan yang bersentimen negatif, yang berarti 48,60% ulasan positif dan 51,40% ulasan negatif. Penelitian ini memiliki tujuan untuk menilai performa metode Naïve Bayes dan SVM dalam mengkategorikan pendapat atau umpan balik pengguna aplikasi. Metode pengujian menggunakan confusion matrix. Hasil penelitian memperlihatkan bahwa kinerja model SVM lebih unggul daripada model Naïve Bayes. Secara spesifik, model SVM mencapai tingkat akurasi 83%, presisi 76,32%, recall 94,69%, dan skor f1 84,40%. Sedangkan model Naïve Bayes mencapai tingkat akurasi 78,20%, presisi 77,31%, recall 78,57%, dan skor f1 77,82%. Hasil penelitian menunjukkan bahwa SVM adalah metode klasifikasi yang efektif untuk mengevaluasi sentimen pengguna dari ulasan aplikasi. Kemampuan SVM dalam memisahkan ulasan positif dan negatif dengan lebih akurat dapat membantu pengembang aplikasi memahami ulasan pengguna dengan lebih baik dan meningkatkan kualitas aplikasi.
Co-Authors Al Rafi, Muhammad Hadianur Hariyadi, Hariyadi Kristianto, Hefi Nova Noor Kamala Sari Viktor Handrianus Pranatawijaya