Analisis Sentimen Ulasan Aplikasi Jamsostek Mobile Menggunakan Metode Support Vector Machine

Vina Fitriyana; Lutfi Hakim; Dian Candra Rini Novitasari; Ahmad Hanif Asyhar

doi:10.24002/jbi.v14i01.6909

Authors

Vina Fitriyana UIN Sunan Ampel Surabaya
Lutfi Hakim Program Studi Matematika, Fakultas Sains Dan Teknologi, UIN Sunan Ampel
Dian Candra Rini Novitasari Program Studi Matematika, Fakultas Sains Dan Teknologi, UIN Sunan Ampel
Ahmad Hanif Asyhar Program Studi Matematika, Fakultas Sains Dan Teknologi, UIN Sunan Ampel

DOI:

https://doi.org/10.24002/jbi.v14i01.6909

Keywords:

analisis sentimen, JMO, SVM, kernel linear, sentiment analysis, JMO, SVM, linear kernel

Abstract

Sentiment Analysis of Jamsostek Mobile Application Reviews Using the Support Vector Machine Method. Today's technology is evolving quickly, leading to new developments that have helped produce JMO and other mobile applications that can be useful to Indonesians. The reviews or comments in the JMO can be used as a gauge for quality and user satisfaction. This study aims to analyze the quality of JMO applications and classify reviews or opinions into positive, negative, and neutral categories through sentiment analysis. The Support Vector Machine method is used in this analysis process with a linear kernel approach to determine the level of accuracy of classifying JMO application reviews. Research shows that classifying the SVM method against sentiment analysis of reviews or JMO application reviews produces the best accuracy scores, obtaining results with accuracy of 96%, precision of 92%, recall of 96%, and f1-score of 94%, while for the results of most reviews are positive category reviews with a total of 17.571.
Keywords: sentiment analysis, JMO, SVM, linear kernel

Perkembangan pesat teknologi saat ini memunculkan inovasi baru untuk menciptakan berbagai aplikasi mobile yang dapat memberi kemudahan bagi masyarakat Indonesia, salah satunya yaitu JMO. Penelitian ini bertujuan untuk menganalisis kualitas aplikasi JMO dan mengklasifikasikan ulasan atau opini kedalam kategori positif, negatif dan netral melalui analisis sentimen. Metode Support Vector Machine digunakan pada proses analisis ini dengan pendekatan kernel linear untuk mengetahui tingkat akurasi dari pengklasifikasian ulasan aplikasi JMO tersebut. Penelitian menunjukkan bahwa pengklasifikasian metode SVM terhadap analisis sentimen ulasan atau review aplikasi JMO menghasilkan nilai akurasi terbaik, didapatkan hasil dengan accuracy 96%, precision 92%, recall 96%, dan f1-score 94%, sedangkan untuk hasil ulasan terbanyak adalah ulasan berkategori positif dengan jumlah 17.571.
Kata Kunci: analisis sentimen, JMO, SVM, kernel linear

References

M. Farkhan, D. Samudera, and V. I. Pertiwi, “Inovasi Pelayanan Publik Melalui Jamsostek Mobile (JMO) (Studi Kasus Di BPJS Ketenagakerjaan Cabang Rungkut Kota Surabaya),” JPAP (Jurnal Penelitian Administrasi Publik), vol. 8, no. 1, 2022.

I. Fahlevi, “Efektivitas Aplikasi JAMSOSTEK Mobile (JMO) dalam Proses Pencairan Jaminan Hari Tua (JHT) kepada Peserta BPJS Ketenagakerjaan Cabang,” Jurnal Kesehatan Masyarakat, vol. 6, no.3, 2022.

U. Rofiqoh, R. S. Perdana, and M. A. Fauzi, “Analisis Sentimen Tingkat Kepuasan Pengguna Penyedia Layanan Telekomunikasi Seluler Indonesia pada Twitter Dengan Metode Support Vector Machine dan Lexicon Based Features,” JPTIIK (Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer), vol. 1, no. 12, 2017.

U. A. Purwokerto and K. Kunci, “Perbandingan Metode Support Vector Machine dan Decision Tree untuk Analisis Sentimen Review Komentar pada Aplikasi Transportasi Online,” JOISM (Journal of Information System Management), vol. 2, no. 2, 2021.

F. F. Irfani, “Analisis Sentimen Review Aplikasi Ruangguru Menggunakan Algoritma Support Vector Machine,” JBMI (Jurnal Bisnis, Manajemen, Dan Informatika), vol. 16, no.3, 2020.

E. Indrayuni, A. Nurhadi, and D. A. Kristiyanti, “Implementasi Algoritma Naive Bayes, Support Vector Machine, dan K-Nearest Neighbors Untuk Analisa Sentimen,” Faktor Exacta, vol. 14, no. 2, 2021.

P. Aditiya, U. Enri, and I. Maulana, “Analisis Sentimen Ulasan Pengguna Aplikasi Myim3 pada Situs Google Play Menggunakan Support Vector Machine,” JURIKOM (Jurnal Riset Komputer), vol. 9, no. 4, 2022.

C. Chazar and B. Erawan, “Machine Learning Diagnosis Kanker Payudara Menggunakan Algoritma Support Vector Machine,” INFORMASI (Jurnal Informatika dan Sistem Informasi), vol. 12, no. 1, 2020.

N. Herlinawati, Y. Yuliani, S. Faizah, and W. Gata, “Analisis Sentimen Zoom Cloud Meetings di Play Store Menggunakan Naïve Bayes dan Support Vector Machine,” CESS (Journal of Computer Engineering, System and Science), vol. 5, no. 2, 2020.

A. Novantika, “Analisis Sentimen Ulasan Pengguna Aplikasi Video Conference Google Meet menggunakan Metode SVM dan Logistic Regression,” CoSciTech (Computer Science and Information Technology), vol. 5, no. 3, 2022.

L. A. Andika, P. Amalia, and N. Azizah, “Analisis Sentimen Masyarakat terhadap Hasil Quick Count Pemilihan Presiden Indonesia 2019 pada Media Sosial Twitter Menggunakan Metode Naive Bayes Classifier,” IJAS (Indonesian Journal of Applied Statistics), vol. 2, no. 1, 2019.

V. A. Fitri, R. Andreswari, M. A. Hasibuan, V. A. Fitri, R. Andreswari, and M. A. Hasibuan, “Sentiment Analysis of Social Media Twitter with Case of Anti-LGBT Campaign in Indonesia using Naïve Bayes , Decision Tree , LGBT Campaign in Indonesia,” Procedia Computer Science, vol. 161, 2019.

Y. Al Amrani, M. Lazaar, and K. E. El Kadirp, “Random forest and support vector machine based hybrid approach to sentiment analysis,” Procedia Computer Science, vol. 127, 2018.

D. Alita, Y. Fernando, and H. Sulistiani, “Implementasi Algoritma Multiclass SVM padanOpini Publik Berbahasa Indonesia di Twitter,” Jurnal Tekno Kompak, vol. 14, no. 2, 2020.

T. M. Permata Aulia, N. Arifin, and R. Mayasari, “Perbandingan Kernel Support Vector Machine (SVM) dalam Penerapan Analisis Sentimen Vaksinisasi COVID-19,” SINTECH (Science and Information Technology), vol. 4, no. 2, 2021.

D. W. Puji Lestari, R. S. Perdana, and P. P. Adikara, “Klasifikasi Video Clickbait pada YouTube Berdasarkan Analisis Sentimen Komentar Menggunakan Learning Vector Quantization (LVQ) dan Lexicon-Based Features,” JPTIIK (Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 3, no. 2, 2019.

H. C. Husada and A. S. Paramita, “Analisis Sentimen Pada Maskapai Penerbangan di Platform Twitter Menggunakan Algoritma Support Vector Machine (SVM),” Teknika (Jurnal Teknologi Informasi dan Komunikasi), vol. 10, no. 1, 2021.

A. T. J. H, “Preprocessing Text untuk Meminimalisir Kata yang Tidak Berarti dalam Proses Text Mining,” JTU (Jurnal Informatika Upgris), vol. 1, no. 1, 2015.

M. F. Al-shufi and A. Erfina, “Sentimen Analisis Mengenai Aplikasi Streaming Film Menggunakan Algoritma Support Vector Machine di Play Store,” SISMATIK (Seminar Nasional Sistem Informasi dan Manajemen Informatika), pp. 156–162, 2021.

H. F. Fadli, “Identifikasi Cyberbullying pada Media Sosial Twitter Menggunakan Metode LSTM dan BiLSTM,” Automata, 2019.

R. H. Muhammadi, T. G. Laksana, and A. B. Arifa, “Combination of Support Vector Machine and Lexicon-Based Algorithm in Twitter Sentiment Analysis,” Khazanah Informatika (Jurnal Ilmu Komputer dan Informatika), vol. 8, no. 1, 2022.

M. Rezwanul, A. Ali, and A. Rahman, “Sentiment Analysis on Twitter Data using KNN and SVM,” International Journal of Advanced Computer Science and Applications (IJACSA), vol. 8, no. 6, 2017.

A. Fahrurozi, F. T. Industri, U. Gunadarma, J. Barat, F. Kernel, and S. V. Machine, “Implementasi Algoritma Klasifikasi Support Vector Machine Untuk Analisa Sentimen Pengguna,” Jurnal Ilmiah Informatika Komputer, vol. 26, no. 2, 2021.

L. Ardiani, H. Sujaini, and T. Tursina, “Implementasi Sentiment Analysis Tanggapan Masyarakat Terhadap Pembangunan di Kota Pontianak,” JUSTIN (Jurnal Sistem dan Teknologi Informasi), vol. 8, no. 2, 2020.

U. Kusnia and F. Kurniawan, “Analisis Sentimen Review Aplikasi Media Berita Online Pada Google Play menggunakan Metode Algoritma Support Vector Machines (SVM) Dan Naive Bayes,” Jurnal Keilmuan dan Aplikasi Teknik Informatika, vol. 5, no. 36, 2022.