KOMPARASI ALGORITMA NAïVE BAYES, SUPPORT VECTOR MACHINE, DAN LOGISTIC REGRESSION PADA ANALISIS SENTIMEN PENGGUNA APLIKASI TRANSPORTASI ONLINE
Abstract
Online transportation is one of the transportation that is increasingly in demand by the public at this time. Grab is an online transportation application that has many users in Indonesia. However, this system certainly has many shortcomings that are felt by users. One way to find out user satisfaction and disappointment with the application is to do sentiment analysis. By analyzing the deficiencies of the application, the company can find out the shortcomings of the application and how to fix it. The purpose of this study is to compare the accuracy between the Support Vector Machine, Naive Bayes, and Logistic Regression algorithms by conducting sentiment analysis on Grab application review data. The results of the comparative test found that the Naive Bayes algorithm has the best performance compared to other classification algorithms with an accuracy obtained by the Naive Bayes algorithm of 88.5%, while the Support Vector Machine algorithm has the lowest accuracy with an accuracy of 85.5%. So it can be concluded that the Naive Bayes algorithm has a better value than the Logistic Regression and Support Vector Machine algorithms.
Keywords: Grab, Support Vector Machine, Naive Bayes, Logistic Regression
Transportasi online adalah salah satu transportasi yang semakin diminati masyarakat pada saat ini. Grab adalah alah satu aplikasi trasportasi online yang memiliki pengguna bisa dikatakan banyak di Indonesia. Namun dalam system ini pasti memiliki banyak kekurangan yang dirasakan penggunanya. Salah satu cara untuk mengetahui kepuasan dan kekecewaan pengguna terhadap aplikasi tersebut yaitu melakukan analisis sentimen. Dengan menganalisis kekurangan dari aplikasi perusahaan dapat mengetahui kekurangan dari aplikasi dan bagaimana cara memperbaikinya. Tujuan penelitian ini untuk mengetahui perbandingan keakurasian antara algoritma Support Vector Machine, Naive Bayes, dan Logistic Regression dengan melakukan analisis sentimen pada data ulasan aplikasi Grab . Hasil pengujian komparasi ditemukan bahwa algoritma Naive bayes memiliki kinerja terbaik dibandingkan algoritma klasifikasi lainnya dengan akurasi yang di dapat algoritma Naive bayes sebesar 88.5%, sedangkan algoritma Support Vector Machine memiliki akurasi terendah dengan akurasi sebesar 85.5%. Sehingga dapat disimpulkan bahwa algoritma Naive bayes memiliki nilai yang lebih baik dibandingkan algoritma Logistic Regression dan Support Vector Machine.
Kata kunci: Grab, Support Vector Machine, Naive Bayes, Logistic Regression
Full Text:
PDFReferences
S. Mandasari, B. H. Hayadi, and R. Gunawan, “Jurnal Teknologi Sistem Informasi dan Sistem Komputer TGD Analisis Sentimen Pengguna Transportasi Online Terhadap Layanan Grab Indonesia Menggunakan Multinomial Naive Bayes Classifier Jurnal Teknologi Sistem Informasi dan Sistem Komputer TGD,” vol. 5, pp. 118–126, 2022.
D. R. Alghifari, M. Edi, and L. Firmansyah, “Implementasi Bidirectional LSTM untuk Analisis Sentimen Terhadap Layanan Grab Indonesia Bidirectional LSTM Implementation for Sentiment Analysis Against Grab Indonesia Services,” vol. 12, pp. 89–99, 2022.
A. Erfina et al., “Analisis Sentimen Aplikasi Pembelajaran Online Di Play Store Pada Masa Pandemi Covid-19 Menggunakan Algoritma Support Vector Machine,” vol. 2020, no. Semasif, pp. 145–152, 2020.
N. A. V. Taghfirul Azhima Yoga Siswa, “Komparasi Algoritma Klasifikasi Untuk Menentukan Evaluasi Kinerja Terbaik Pada Status Akreditasi Sekolah/Madrasah Kalimantan Timur Berdasarkan IASP 2020,” vol. 4, no. 3, pp. 185–192, 2022.
R. Wahyudi and G. Kusumawardhana, “Analisis Sentimen pada review Aplikasi Grab di Google Play Store Menggunakan Support Vector Machine,” vol. 8, no. 2, pp. 200–207, 2021.
R. E. Indrajit and E. Dazki, “Komparasi Algoritma Naïve Bayes , Logistic Regression Dan Support Vector Machine pada Klasifikasi File Application Package Kit Android Malware”.
S. D. Hendriyana, Ichwanul Muslim Karo Karo, “Analisis Perbandingan Algoritma Support Vector Machine, Naive Bayes, Dan Regresi Logistik Untuk Memprediksi Donor Darah,” vol. 8, no. 2, pp. 121–126, 2022.
I. P. Rahayu, A. Fauzi, and J. Indra, “Analisis Sentimen Terhadap Program Kampus Merdeka Menggunakan Naive Bayes Dan Support Vector Machine,” vol. 4, pp. 296–301, 2022, doi: 10.30865/json.v4i2.5381.
A. Supriyatna and W. P. Mustika, “Komparasi Algoritma Naive bayes dan SVM Untuk Memprediksi Keberhasilan Imunoterapi Pada Penyakit Kutil,” no. 2, pp. 152–161, 2018.
A. P. Giovani, T. Haryanti, and L. Kurniawati, “Analisis Sentimen Aplikasi Ruang Guru Di Twitter Menggunakan Algoritma Klasifikasi,” vol. 14, no. 2, pp. 116–124, 2020.
D. Gunawan, D. Riana, D. Ardiansyah, F. Akbar, and S. Alfarizi, “Komparasi Algoritma Support Vector Machine Dan Naïve Bayes Dengan Algoritma Genetika Pada Analisis Sentimen Calon Gubernur Jabar 2018-2023,” vol. VI, no. 1, pp. 121–129, 2023, doi: 10.31294/jtk.v4i2.
F. D. Pramakrisna, F. D. Adhinata, N. Annisa, and F. Tanjung, “Aplikasi Klasifikasi SMS Berbasis Web Menggunakan Algoritma Logistic Regression Web-based Classifying SMS Application Using Logistic Regression Algorithm,” vol. 11, no. 2, pp. 90–97, 2022, doi: 10.34148/teknika.v11i2.466.
A. S. Rahayu and A. Fauzi, “Komparasi Algoritma Naïve Bayes Dan Support Vector Machine ( SVM ) Pada Analisis Sentimen Spotify,” vol. 4, pp. 349–354, 2022, doi: 10.30865/json.v4i2.5398.
M. Rangga, A. Nasution, and M. Hayaty, “Perbandingan Akurasi dan Waktu Proses Algoritma K-NN dan SVM dalam Analisis Sentimen Twitter,” vol. 6, no. 2, pp. 226–235, 2019.
DOI: http://dx.doi.org/10.20527/klik.v10i1.616
Copyright (c) 2023 KLIK - KUMPULAN JURNAL ILMU KOMPUTER
This work is licensed under a Creative Commons Attribution 4.0 International License.
This work is licensed under a Creative Commons Attribution 4.0 International License. View My Stats