Peningkatan Performa Analisis Sentimen Dengan Resampling dan Hyperparameter pada Ulasan Aplikasi BNI Mobile

Main Article Content

Wijanarto Wijanarto
Seviana Pungki Brilianti

Abstract

Penggunaan mobile banking meningkat seiring dengan kemajuan teknologi. Hampir setiap bank di Indonesia memiliki layanan mobile banking, termasuk BNI. Menurut survei dari Top Brand Award, BNI Mobile Banking menurun menjadi nomor 4 pada tahun 2016 dan 2017. Artinya terdapat relasi yang kuat antara ulasan pemakai aplikasi terhadap kinerja aplikasi. Dengan demikian membawa akibat pada pentingnya mempertahankan kualitas layanan serta kemampuan untuk bersaing dengan bank lain. Beberapa penelitian analisis sentimen sebelumnya belum melihat ketersediaan apakah dataset sudah dieksplorasi keseimbangannya atau tidak untuk meningkatkan performa model yang dipilih. Oleh karena itu, dalam artikel ini mencoba melakukan analisis sentimen pada ulasan pengguna aplikasi BNI Mobile Banking di Google Play sebanyak 6954 data terpilih dengan label positif dan negatif dan menggunakan 7 metode dasar sebagai baseline untuk dipilih satu yang mempunyai performa terbaik yitu Support Vector Classifier, setelah dilakukan resampling dataset dengan Repeated Edited Nearest Neighbours dan hyperparameter model C=1, degree=2 kernel poly didapatkan akurasi sebesar 98.54% pada data training dan akurasi 100% pada data uji. Selanjutnya dari 26 data mentah baru dilakukan eksperimen dan menghasilkan prediksi benar sebesar 19 sementara 7 salah dengan error rate sebesar 27%.

Downloads

Download data is not yet available.

Article Details

How to Cite
Wijanarto, W., & Brilianti, S. P. (2020). Peningkatan Performa Analisis Sentimen Dengan Resampling dan Hyperparameter pada Ulasan Aplikasi BNI Mobile. Jurnal Eksplora Informatika, 9(2), 140-153. https://doi.org/10.30864/eksplora.v9i2.333
Section
Articles

References

Adhi, “Mobile Banking, Kemudahan Transaksi Finansial di Ujung Jari Anda,” https://www.money.id/, 2016. [Online]. Available: https://www.money.id/finance/mobile-banking-kemudahan-transaksi-finansial-di-ujung-jari-anda-1605176/pengguna-mobile-banking-tumbuh-pesat.html. [Accessed: 17-Apr-2019].

P. B. Tbk, “Memperkokoh keunggulan kompetitif,” 2017.

G. Yudistira, “Transaksi mobile banking BNI tembus Rp 90 triliun hingga akhir September,” KONTAN.CO.ID, 2018. [Online]. Available: https://keuangan.kontan.co.id/news/transaksi-mobile-banking-bni-tembus-rp-90-triliun-hingga-akhir-september.

Sindo, “Begini Cara Menyusun Strategi Persaingan Usaha,” okezone.com, 2017. [Online]. Available: https://economy.okezone.com/read/2017/02/10/320/1614693/begini-cara-menyusun-strategi-persaingan-usaha.

topbrand-award, “Index Top Brand Award,” 2018. [Online]. Available: http://www.topbrand-award.com/top-brand-survey/survey-result.

F. Gunawan, M. A. Fauzi, and P. P. Adikara, “Analisis Sentimen Pada Ulasan Aplikasi Mobile Menggunakan Naive Bayes dan Normalisasi Kata Berbasis Levenshtein Distance (Studi Kasus Aplikasi BCA Mobile),” Syst. Inf. Syst. Informatics J., vol. 3, no. 2, pp. 1–6, 2017, doi: 10.29080/systemic.v3i2.234.

Statcounter, “Mobile Operating System Market Share Indonesia,” https://gs.statcounter.com/, 2018. [Online]. Available: http://gs.statcounter.com/os-market-share/mobile/indonesia.

G. A. Buntoro, “Analisis Sentimen Calon Gubernur DKI Jakarta 2017 Di Twitter,” Integer J. Maret, vol. 1, no. 1, pp. 32–41, 2017.

M. W. Ningrum and W. Wijanarto, “Implicit Social Trust Dan Support Vector Regression Untuk Sistem Rekomendasi Berita,” CogITo Smart J., vol. 3, no. 2, p. 275, 2018, doi: 10.31154/cogito.v3i2.77.275-285.

L. Zhang, K. Hua, H. Wang, G. Qian, and L. Zheng, “Sentiment analysis on reviews of mobile users,” Procedia Comput. Sci., vol. 34, pp. 458–465, 2014, doi: 10.1016/j.procs.2014.07.013.

M. Rezwanul, A. Ali, and A. Rahman, “Sentiment Analysis on Twitter Data using KNN and SVM,” Int. J. Adv. Comput. Sci. Appl., vol. 8, no. 6, pp. 19–25, 2017, doi: 10.14569/ijacsa.2017.080603.

S. A. Aljuhani and N. S. Alghamdi, “A comparison of sentiment analysis methods on Amazon reviews of Mobile Phones,” Int. J. Adv. Comput. Sci. Appl., vol. 10, no. 6, pp. 608–617, 2019, doi: 10.14569/ijacsa.2019.0100678.

B. Olabenjo, “Applying Naive Bayes Classification to Google Play Apps Categorization,” 2016.

A. Mueez, K. A. T. Islam, and W. Iqbal, “Exploratory Data Analysis and Success Prediction of Google Play Store Apps Authors,” no. December, 2018.

R. S. Saleh, “How Should You plan Your App’s Features ? Selecting and Prioritizing A Mobile App’s Initial Features Based on User Reviews,” 2017.

D.-F. Xia, S.-L. Xu, and F. Qi, “A proof of the arithmetic mean-geometric mean-harmonic mean inequalities,” RGMIA Res. Rep. Collect., vol. 2, no. 1, pp. 85–87, 1999.

D. M. W. Powers, “l,” pp. 151–160, 1998.

A. More, “Survey of resampling techniques for improving classification performance in unbalanced datasets,” vol. 10000, pp. 1–7, 2016.

J. Heathcote, “An Experimental Survey of Simple k -Nearest Neighbour Condensing and Editing Algorithms,” vol. 28, 2013.