1.png)
OPTIMASI METODE KLASIFIKASI MENGGUNAKAN FASTTEXT DAN GRID SEARCH PADA ANALISIS SENTIMEN ULASAN APLIKASI SEABANK
Abstract
Perkembangan pesat teknologi digital telah memberikan dampak signifikan pada sektor perbankan, termasuk aplikasi perbankan digital seperti SeaBank. Namun, pengguna melaporkan masalah kritis seperti hilangnya saldo dan keterlambatan transfer, yang memerlukan analisis sentimen pengguna berdasarkan ulasan di Google Play Store. Penelitian ini menganalisis ulasan pengguna SeaBank menggunakan metode klasifikasi Support Vector Machine (SVM) dan K-Nearest Neighbors (KNN), yang dioptimalkan melalui Grid Search dan ekstraksi fitur FastText. Sebanyak 15.000 ulasan dari Juli hingga September 2024 diproses, dilabeli secara manual (positif, negatif, netral), dan diseimbangkan menggunakan SMOTE. Hasil penelitian menunjukkan bahwa optimasi Grid Search secara signifikan meningkatkan kinerja model, dengan SVM mencapai akurasi 92% dan KNN meningkat menjadi 91%. SVM yang dioptimalkan (C: 100, kernel: 'rbf') mencapai metrik tertinggi (presisi 0,93, recall 0,92, F1-score 0,92).
Keywords
Full Text:
PDF (Bahasa Indonesia)References
P. Mario Saskara and H. Moch Rizal, “Pengembangan Business Model Canvas untuk Menciptakan Competitive Advantage Seabank Indonesia,” Jurnal Impresi Indonesia, vol. 2, no. 1, pp. 40–57, Jan. 2023, doi: 10.58344/jii.v2i1.1921.
M. S. Arrafiq and R. Kurniawan, “Analisis Sentimen Pengguna Terhadap Layanan Aplikasi Seabank Indonesia di Instagram Menggunakan Metode Support Vector Machine,” Journal of Information System Research, vol. 5, no. 4, 2024, doi: 10.47065/josh.v5i4.5620.
D. Darwis, E. Shintya Pratiwi, A. Ferico, and O. Pasaribu, “PENERAPAN ALGORITMA SVM UNTUK ANALISIS SENTIMEN PADA DATA TWITTER KOMISI PEMBERANTASAN KORUPSI REPUBLIK INDONESIA,” 2020.
A. S. Pamungkas and N. Cahyono, “Analisis Sentimen Review ChatGPT di Play Store menggunakan Support Vector Machine dan K-Nearest Neighbor,” Edumatic: Jurnal Pendidikan Informatika, vol. 8, no. 1, pp. 1–10, Jun. 2024, doi: 10.29408/edumatic.v8i1.24114.
S. Masturoh, R. L. Pratiwi, M. R. R. Saelan, and U. Radiyah, “APPLICATION OF THE K-NEAREST NEIGHBOR (KNN) ALGORITHM IN SENTIMENT ANALYSIS OF THE OVO E-WALLET APPLICATION,” JITK (Jurnal Ilmu Pengetahuan dan Teknologi Komputer), vol. 8, no. 2, pp. 78–83, Jan. 2023, doi: 10.33480/jitk.v8i2.3997.
I. Priyadarshini and C. Cotton, “A novel LSTM–CNN–grid search-based deep neural network for sentiment analysis,” Journal of Supercomputing, vol. 77, no. 12, pp. 13911–13932, Dec. 2021, doi: 10.1007/s11227-021-03838-w.
A. Baita, I. A. Prasetyo, and N. Cahyono, “HYPERPARAMETER TUNING ON RANDOM FOREST FOR DIAGNOSE COVID-19,” JIKO (Jurnal Informatika dan Komputer), vol. 6, no. 2, Aug. 2023, doi: 10.33387/jiko.v6i2.6389.
M. Mustasaruddin, E. Budianita, M. Fikry, and F. Yanto, “Klasifikasi Sentiment Review Aplikasi MyPertamina Menggunakan Word Embedding FastText dan SVM (Support Vector Machine),” Jurnal Sistem Komputer dan Informatika (JSON), vol. 4, no. 3, p. 526, Mar. 2023, doi: 10.30865/json.v4i3.5695.
S. Rahayu, Y. MZ, J. E. Bororing, and R. Hadiyat, “Implementasi Metode K-Nearest Neighbor (K-NN) untuk Analisis Sentimen Kepuasan Pengguna Aplikasi Teknologi Finansial FLIP,” Edumatic: Jurnal Pendidikan Informatika, vol. 6, no. 1, pp. 98–106, Jun. 2022, doi: 10.29408/edumatic.v6i1.5433.
D. Oktavia and Y. R. Ramadahan, “Analisis Sentimen Terhadap Penerapan Sistem E-Tilang Pada Media Sosial Twitter Menggunakan Algoritma Support Vector Machine (SVM),” Media Online), vol. 4, no. 1, pp. 407–417, 2023, doi: 10.30865/klik.v4i1.1040.
F. Firmansyah et al., “Comparing Sentiment Analysis of Indonesian Presidential Election 2019 with Support Vector Machine and K-Nearest Neighbor Algorithm,” in 6th International Conference on Computing, Engineering, and Design, ICCED 2020, Institute of Electrical and Electronics Engineers Inc., Oct. 2020. doi: 10.1109/ICCED51276.2020.9415767.
A. Baita and N. Cahyono, “ANALISIS SENTIMEN MENGENAI VAKSIN SINOVAC MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE (SVM) DAN K-NEAREST NEIGHBOR (KNN).”
M. A. Harriz and H. Setiyowati, “KOMPARASI ALGORITMA DECISION TREE DAN KNN DALAM MENGKLASIFIKASI DAERAH BERDASARKAN PRODUKSI LISTRIK,” JIKO (Jurnal Informatika dan Komputer), vol. 7, no. 2, p. 167, Sep. 2023, doi: 10.26798/jiko.v7i2.787.
F. Putrawansyah, “Penerapan Metode Support Vector Machine Terhadap Klasifikasi Jenis Jambu Biji,” JIKO (Jurnal Informatika dan Komputer), vol. 8, no. 1, p. 193, Feb. 2024, doi: 10.26798/jiko.v8i1.988.
A. Nurdin, B. Anggo, S. Aji, A. Bustamin, and Z. Abidin, “PERBANDINGAN KINERJA WORD EMBEDDING WORD2VEC, GLOVE, DAN FASTTEXT PADA KLASIFIKASI TEKS,” Jurnal TEKNOKOMPAK, vol. 14, no. 2, p. 74, 2020.
F. Bei and S. Saepudin, “ANALISIS SENTIMEN APLIKASI TIKET ONLINE DI PLAY STORE MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM),” 2021.
R. Harun, K. Chandra Pelangi, and Y. Lasena, “PENERAPAN DATA MINING UNTUK MENENTUKAN POTENSI HUJAN HARIAN DENGAN MENGGUNAKAN ALGORITMA K NEAREST NEIGHBOR (KNN),” Online, 2020. [Online]. Available: http://e-journal.stmiklombok.ac.id/index.php/misi
Y. N. Fuadah, M. A. Pramudito, and K. M. Lim, “An Optimal Approach for Heart Sound Classification Using Grid Search in Hyperparameter Optimization of Machine Learning,” Bioengineering, vol. 10, no. 1, Jan. 2023, doi: 10.3390/bioengineering10010045.
A. Sujjada, J. Nurfazri Novianti, and I. Griha Tofik Isa, “ANALISIS SENTIMEN TERHADAP REVIEW BANK DIGITAL PADA GOOGLE PLAY STORE MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM),” 2023. [Online]. Available: https://rekayasa.nusaputra.ac.id/index
DOI: http://dx.doi.org/10.26798/jiko.v9i1.1523
Article Metrics
Abstract view : 0 timesPDF (Bahasa Indonesia) - 0 times
Refbacks
- There are currently no refbacks.
Copyright (c) 2025 Bagas Restya Ermawan
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.