Analisis Sentimen Ulasan Aplikasi PLN Mobile Menggunakan Algoritma Naïve Bayes Classifier dan K-Nearest Neighbor
Sentiment Analysis of PLN Mobile Application Review Using Naïve Bayes Classifier and K-Nearest Neighbor Algorithm
DOI:
https://doi.org/10.57152/malcom.v4i1.983Keywords:
Analisis Sentimen, Klasifikasi, K-Nearest Neighbor, Naïve Bayes Classifier, PLN MobileAbstract
Bukti nyata PLN terus meningkatkan pelayanannya adalah dengan meluncurkan sebuah aplikasi yaitu PLN Mobile. Banyak pelanggan yang merasakan kemudahan dengan adanya aplikasi tersebut. Namun kini beberapa pelanggan mulai menjumpai permasalahan seperti gagal memuat lokasi saat melakukan pengaduan dan saat pembelian token dengan virtual account, saldo telah terpotong namun kode token tidak muncul. Penelitian ini melakukan analisis sentimen terhadap ulasan pengguna aplikasi PLN Mobile menggunakan pendekatan text mining. Pendekatan ini dapat melakukan klasifikasi sentimen pada ulasan pengguna dengan cepat. Data dikumpulkan menggunakan teknik scrapping pada Google Play Store dan mendapatkan 3000 baris data. Data tersebut kemudian diberi label oleh seorang pakar sehingga menghasilkan 2099 sentimen positif (69,97%), 368 netral (12,27%) dan 533 negatif (17,77%). Selanjutnya dilakukan pemodelan menggunakan algoritma NBC dan KNN dengan K-Fold Cross Validation sebagai teknik validasi. Hasilnya menunjukkan model NBC lebih baik dibandingkan KNN dengan akurasi sebesar 77,69%, recall 53,14%, precision 59,84% dan F1-Score 54,09%. Selanjutnya proses analisis dilakukan dengan visualisasi data menggunakan word cloud. Hasilnya yaitu dengan adanya aplikasi PLN Mobile memberikan kemudahan kepada pelanggan dalam menggunakan layanan PLN seperti pembelian token, pengaduan, dan berbagai fitur lainnya. Namun aplikasi PLN Mobile masih memiliki beberapa permasalahan yang sering menjadi ulasan penggunanya salah satunya adalah saat melakukan pembayaran token.
References
M. Z. Aditya, “Analisis Penerimaan Pelanggan Terhadap Aplikasi Pln Mobile Dengan Metode Technology Acceptance Model (Tam),” JuSiTik?: Jurnal Sistem dan Teknologi Informasi Komunikasi, vol. 3, no. 1, pp. 37–45, 2022, doi: 10.32524/jusitik.v3i1.490.
I. K. G. U. K. Yasa, I. B. G. Dwidasmara, and C. R. A. Pramartha, “Perancangan Sistem Informasi Daya Listrik PLN (Persero) Unit Layanan Pelanggan Mengwi,” Jurnal Pengabdian Informatika, vol. 1, no. 4, pp. 973–980, 2023.
A. A. Manurung and C. Wahyuni, “Pengaruh Kualitas Pelayanan Terhadap Kepuasan Pelanggan pada PT. PLN (persero) Cabang Kecamatan Paya Pasir Medan,” Jurnal Visi Ekonomi Akuntansi dan Manajemen, vol. 5, no. 1, pp. 35–44, 2023.
R. Rahmiati, D. Irfan, A. Agustin, and S. Hediyati, “Aplikasi Pengukur Tingkat Sentimen Pelanggan Berdasarkan Komplain Pelanggan Pln Menggunakan Algoritma K-Nearest Neighbor,” INOVTEK Polbeng - Seri Informatika, vol. 5, no. 2, p. 332, 2020, doi: 10.35314/isi.v5i2.1467.
S. A. S. Herjuna, G. A. Fatoni, and ..., “Penerapan Algoritma Naïve Bayes Classifier Menggunakan R-Programming Untuk Pengelompokan Jenis Keluhan Aplikasi PLN Mobile Secara Otomatis,” Jurnal Informatika Dan Tekonologi Komputer (JITEK), vol. 2, no. 1, pp. 19–30, 2022.
H. B. Tambunan and T. W. D. Hapsari, “Analisis Opini Pengguna Aplikasi New PLN Mobile Menggunakan Text Mining,” Petir, vol. 15, no. 1, pp. 121–134, 2021, doi: 10.33322/petir.v15i1.1352.
A. Rahmadeyan and Mustakim, “Seleksi Fitur pada Supervised Learning: Klasifikasi Prestasi Belajar Mahasiswa Saat dan Pasca Pandemi COVID-19,” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 9, no. 1, pp. 21–32, 2023, doi: 10.25077/TEKNOSI.v9i1.2023.21-32.
H. Wisnu, M. Afif, and Y. Ruldevyani, “Sentiment analysis on customer satisfaction of digital payment in Indonesia: A comparative study using KNN and Naïve Bayes,” Journal of Physics: Conference Series, vol. 1444, no. 1, p. 12034, 2020, doi: 10.1088/1742-6596/1444/1/012034.
S. G. Setyorini and Mustakim, “Application of the nearest neighbor algorithm for classification of online taxibike sentiments in indonesia in the google playstore application,” Journal of Physics: Conference Series, vol. 2049, no. 1, p. 12026, 2021, doi: 10.1088/1742-6596/2049/1/012026.
Y. Asri, W. N. Suliyanti, D. Kuswardani, and M. Fajri, “Pelabelan Otomatis Lexicon Vader dan Klasifikasi Naive Bayes dalam menganalisis sentimen data ulasan PLN Mobile,” Petir, vol. 15, no. 2, pp. 264–275, 2022, doi: 10.33322/petir.v15i2.1733.
C. Annisa, M. Afdal, and T. K. Ahsyar, “Perbandingan Algoritma Naïve Bayes Classifier Dan K-Nearest Neighbor Pada Sentimen Review Aplikasi Mobile Jkn,” Jurnal Media Informatika Budidarma, vol. 7, no. 3, pp. 1033–1040, 2023, doi: 10.30865/mib.v7i3.6242.
M. F. El Firdaus, N. Nurfaizah, and S. Sarmini, “Analisis Sentimen Tokopedia Pada Ulasan di Google Playstore Menggunakan Algoritma Naïve Bayes Classifier dan K-Nearest Neighbor,” JURIKOM (Jurnal Riset Komputer), vol. 9, no. 5, p. 1329, 2022, doi: 10.30865/jurikom.v9i5.4774.
A. S. Rahayu, A. Fauzi, and R. Rahmat, “Komparasi Algoritma Naïve Bayes Dan Support Vector Machine (SVM) Pada Analisis Sentimen Spotify,” Jurnal Sistem Komputer dan Informatika (JSON), vol. 4, no. 2, p. 349, 2022, doi: 10.30865/json.v4i2.5398.
A. R. Atmadja, W. Uriawan, F. Pritisen, D. S. Maylawati, and A. Arbain, “Comparison of Naive Bayes and K-nearest neighbours for online transportation using sentiment analysis in social media,” Journal of Physics: Conference Series, vol. 1402, no. 7, 2019, doi: 10.1088/1742-6596/1402/7/077029.
P. F. Pratama, D. Rahmadani, R. S. Nahampun, D. Harmutika, A. Rahmadeyan, and M. F. Evizal, “Random Forest Optimization Using Particle Swarm Optimization for Diabetes Classification,” Public Research Journal of Engineering, Data Technology and Computer Science, vol. 1, no. 1, pp. 41–46, 2023.
A. Rahmadeyan, Mustakim, I. Ahmad, A. D. Alexander, and A. Rahman, “Phishing Website Detection with Ensemble Learning Approach Using Artificial Neural Network and AdaBoost,” in 2023 International Conference on Information Technology Research and Innovation (ICITRI), 2023, pp. 162–166, doi: 10.1109/ICITRI59340.2023.10249799.
P. Kamal and S. Ahuja, “An ensemble-based model for prediction of academic performance of students in undergrad professional course,” Journal of Engineering, Design and Technology, vol. 17, no. 4, pp. 769–781, 2019, doi: 10.1108/JEDT-11-2018-0204.
A. W. Syaputri, E. Irwandi, and M. Mustakim, “Naïve Bayes Algorithm for Classification of Student Major’s Specialization,” Journal of Intelligent Computing & Health Informatics, vol. 1, no. 1, p. 17, 2020, doi: 10.26714/jichi.v1i1.5570.
A. Putri, C. Syaficha Hardiana, E. Novfuja, F. Try Puspa Siregar, Y. Fatma, and R. Wahyuni, “Comparison of K-NN, Naive Bayes and SVM Algorithms for Final-Year Student Graduation Prediction,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 3, no. 1, pp. 20–26, 2023, doi: 10.57152/malcom.v3i1.610.
