Kresna: Jurnal Riset dan Pengabdian Masyarakat
Vol 4 No 1 (2024): Jurnal KRESNA Mei 2024

Perbandingan Sentimen Ulasan Pengguna Aplikasi Ride-Hailing Gojek dan Grab Menggunakan Algoritma Multinomial Naïve Bayes

Muhammad Ali Akbar (Unknown)
Achmad Solichin (Unknown)



Article Info

Publish Date
31 May 2024

Abstract

Dalam era teknologi informasi yang berkembang pesat, aplikasi ride-hailing telah menjadi bagian tak terpisahkan dalam kehidupan masyarakat urban di Indonesia. Gojek dan Grab muncul sebagai dua platform terkemuka yang mendominasi industri ride-hailing di negeri ini. Keberhasilan dan penerimaan luas Gojek dan Grab menciptakan persaingan yang intens, dengan keduanya berlomba untuk memberikan layanan terbaik kepada pengguna mereka. Dalam konteks ini, analisis sentimen menjadi alat yang sangat relevan untuk memahami pandangan dan pengalaman pengguna terhadap kedua aplikasi tersebut. Penelitian ini bertujuan untuk memberikan pemahaman mendalam tentang persepsi masyarakat terhadap Gojek dan Grab dengan menganalisis sentimen melalui berbagai ulasan dan komentar yang ditinggalkan oleh pengguna. Metode yang digunakan adalah analisis sentimen dengan menggunakan metode Multinomial Naive Bayes. Hasil penelitian menunjukkan bahwa pengguna Gojek dan Grab secara umum memiliki sentimen negatif terhadap kedua aplikasi tersebut. Pengujian yang dilakukan menunjukkan bahwa model analisis sentimen yang dikembangkan memiliki akurasi 86%, presisi 96%, recall 54%, dan f1-score 69%. Untuk perbandingan performa data Gojek dan data Grab didapatkan akurasi sebesar 81% untuk data Gojek. Sedangkan Grab mendapatkan akurasi sebesar 75%. Secara keseluruhan, penelitian ini memberikan pemahaman yang berharga tentang persepsi masyarakat terhadap Gojek dan Grab. Hasil penelitian ini dapat bermanfaat bagi kedua perusahaan, peneliti, praktisi industri, dan masyarakat umum dalam memahami dinamika persaingan dalam ekosistem ride-hailing di Indonesia.Dalam era teknologi informasi yang berkembang pesat, aplikasi ride-hailing telah menjadi bagian tak terpisahkan dalam kehidupan masyarakat urban di Indonesia. Gojek dan Grab muncul sebagai dua platform terkemuka yang mendominasi industri ride-hailing di negeri ini. Keberhasilan dan penerimaan luas Gojek dan Grab menciptakan persaingan yang intens, dengan keduanya berlomba untuk memberikan layanan terbaik kepada pengguna mereka. Dalam konteks ini, analisis sentimen menjadi alat yang sangat relevan untuk memahami pandangan dan pengalaman pengguna terhadap kedua aplikasi tersebut. Penelitian ini bertujuan untuk memberikan pemahaman mendalam tentang persepsi masyarakat terhadap Gojek dan Grab dengan menganalisis sentimen melalui berbagai ulasan dan komentar yang ditinggalkan oleh pengguna. Metode yang digunakan adalah analisis sentimen dengan menggunakan metode Multinomial Naive Bayes. Hasil penelitian menunjukkan bahwa pengguna Gojek dan Grab secara umum memiliki sentimen negatif terhadap kedua aplikasi tersebut. Pengujian yang dilakukan menunjukkan bahwa model analisis sentimen yang dikembangkan memiliki akurasi 86%, presisi 96%, recall 54%, dan f1-score 69%. Untuk perbandingan performa data Gojek dan data Grab didapatkan akurasi sebesar 81% untuk data Gojek. Sedangkan Grab mendapatkan akurasi sebesar 75%. Secara keseluruhan, penelitian ini memberikan pemahaman yang berharga tentang persepsi masyarakat terhadap Gojek dan Grab. Hasil penelitian ini dapat bermanfaat bagi kedua perusahaan, peneliti, praktisi industri, dan masyarakat umum dalam memahami dinamika persaingan dalam ekosistem ride-hailing di Indonesia.

Copyrights © 2024






Journal Info

Abbrev

Kresna

Publisher

Subject

Humanities Computer Science & IT Economics, Econometrics & Finance Electrical & Electronics Engineering Social Sciences

Description

Jurnal KRESNA adalah media publikasi online hasil penelitian yang diterbitkan oleh Direktorat Riset dan Pengabdian kepada Masyarakat (DRPM), Universitas Budi Luhur. Topik pada Jurnal ini adalah: - Ilmu Komputer dan Teknik Elektro - Ekonomi dan Bisnis - Komunikasi dan Desain Kreatif - Ilmu Sosial dan ...