ALGORITMA SUPPORT VECTOR MACHINE (SVM) UNTUK PENERAPAN ANALISIS SENTIMEN TERHADAP APLIKASI SAKTI.LINK

Muhammad Rizki Fakhri; Haris Munandar; Imelda Imelda; Siswanto  Siswanto; Joko Christian Chandra

Penulis

Muhammad Rizki Fakhri Teknik Informatika, Fakultas Teknologi Informasi, Universitas Budi Luhur, DKI Jakarta, Indonesia
Haris Munandar Teknik Informatika, Fakultas Teknologi Informasi, Universitas Budi Luhur, Indonesia
Imelda Imelda Teknik Informatika, Fakultas Teknologi Informasi, Universitas Budi Luhur, DKI Jakarta, Indonesia
Siswanto Siswanto Teknik Informatika, Fakultas Teknologi Informasi, Universitas Budi Luhur, DKI Jakarta, Indonesia
Joko Christian Chandra Teknik Informatika, Fakultas Teknologi Informasi, Universitas Budi Luhur, DKI Jakarta, Indonesia

Kata Kunci:

Analisis Sentimen, Aplikasi SAKTI.Link, Support Vector Machine, Kuesioner

Abstrak

SAKTI.Link merupakan aplikasi penunjang sistem perkoperasian yang mudah digunakan oleh seluruh anggota koperasi yang terhubung di SiCUNDO-SAKTI Core Banking. SAKTI.Link memberikan kemudahan untuk para anggota koperasi melakukan aktivitas perkoperasian cukup dengan satu aplikasi dan semudah menggerakkan jari. Meskipun demikian banyak masyarakat yang memberikan opini baik itu pro atau kontra terhadap aplikasi SAKTI.Link. Banyaknya opini pengguna terhadap aplikasi SAKTI.Link menyebabkan pengembang aplikasi merasa kesulitan untuk memisahkan opini yang akan digunakan untuk perbaikan aplikasi. Penelitian ini bertujuan untuk membantu pengembang aplikasi SAKTI.Link dalam mengetahui respon dari pengguna, pada penelitian ini akan dilakukan analisis sentimen terhadap aplikasi SAKTI.Link. Beberapa pengguna memberikan ulasan dalam bentuk kuesioner yang dibagikan kepada pengguna aplikasi SAKTI.Link. Komentar kemudian akan dikelompokkan menjadi tiga kategori, yaitu komentar positif, negatif, dan netral. Sistem dibuat dengan bahasa pemrograman python dalam bentuk website yang dapat melakukan analisis terhadap aplikasi SAKTI.Link menggunakan metode Support Vector Machine (SVM). Selanjutnya, sistem dilakukan pengujian metode menggunakan confusion matrix dan mendapatkan nilai accuracy sebesar 94,9%, precission sebesar 90,07%, recall sebesar 94,9% dan F1-score sebesar 92,42%.

Referensi

M. Demartini, S. Evans and F. Tonelli, “Digitalization Technologies for Industrial Sutainability,” Procedia manufacturing, vol. 33, pp. 264-271, 2019.

S. “SAKTI.Link,” SAKTI.Link, 2020. [Online]. Available: https://sakti.link/. [Accessed 2 Februari 2023].

R. D. Irfan, A. and S. Hediyati, “Aplikasi Pengukur Tingkat Sentimen Pelanggan Berdasarkan Komplain Pelanggan PLN Menggunakan Algoritma K-Nearest Neighbor,” Jurnal Inovtek Polbeng, vol. 5, pp. 332-336, 2020.

I. A. Nikmatun and I. Waspada, “Implementasi Data Mining untuk Klasifikasi Masa Studi Mahasiswa Menggunakan Algoritma K-Nearest Neighbor,” Jurnal Simetris, vol. 10, pp. 421-432, 2019.

A. R. Isnain, A. I. Sakti, D. Alita and N. S. Marga, “Sentimen Analisis Publik Terhadap Kebijakan Lockdown Pemerintah Jakarta Menggunakan Algoritma Svm,” JDMSI, vol. 2, no. 1, pp. 31-37, 2021.

S. D. Pramukti, A. Nugroho and A. S. Sunge, “Analisis Sentimen Masyarakat Dengan Metode Naïve Bayes dan Particle Swarm Optimization,” Techno.COM, vol. 21, no. 1, pp. 61-74, 2022.

L. Ardiani, H. Sujaini and T. , “Implementasi Sentiment Analysis Tanggapan Masyarakat Terhadap Pembangunan di Kota Pontianak,” Jurnal Sistem dan Teknologi Informasi, vol. 8, pp. 183-190, 2020.

A. Alwasi'a, “Analisis Sentimen pada review Aplikasi Berita Online Menggunakan Metode Maximum Entropy (Studi Kasus: Review Detikcom pada Google Play 2019),” 2020.

R. D. Merianti, “Implementasi Metode Support Vector Machine Dan Random Forest Pada Data Ekspresi Gen Microarray (Studi Kasus : Novel Mutation Target Distinct Subgrups of Medulloblastoma in America),” Universitas Islam Indonesia, Yogyakarta, 2020.

U. D. Nuswantoro, “Pertemuan Ke 8,” 2021. [Online]. Available: https://repository.dinus.ac.id/docs/ajar/pert_ke_7_sistem_cerdas.pdf.