REGRESI DENGAN EKSTRASI FITUR NEURAL BAG OF WORDS PADA ANALISIS SENTIMEN PENGGUNA APLIKASI BANK DIGITAL SYARIAH

Cholisa Rosanti
Fenilinas Adi Artanto - [ https://orcid.org/0009-0004-3593-1152 ]
Reza Edi Saputra


DOI: https://doi.org/10.29100/jipi.v10i3.6508

Abstract


Penelitian ini untuk menguji keefektifan metode Neural Bag of Words (NBOW) dan Support Vector Regression (SVR) dalam memprediksi sentimen pengguna aplikasi bank digital syariah. Data berasal dari ulasan pengguna di Google Play Store pada aplikasi Bank Jago Syariah, Bank Aladin Syariah, Bank Syariah Indonesia, dan Muamalat Din, dengan periode pengambilan data 4 Juli 2023 - 4 Juli 2024, menghasilkan 160,026 ulasan. Penelitian ini dimulai dengan pengumpulan, seleksi, dan pelabelan data sesuai dengan skor bintang dari ulasan, yang merupakan langkah dalam Knowledge Discovery in Databases (KDD). Setelah itu, dilakukan preprocessing dengan menghilangkan kata yang tidak relevan dan mengubah kalimat menjadi bentuk baku. Data diekstraksi dengan fitur Bag of Words (BoW) yang diimplementasikan Scikit-Learn, menghasilkan matriks frekuensi kata. lalu, data dibagi menjadi set pelatihan dan uji dengan rasio 8:2, dan model SVR dilatih dengan data pelatihan. Didapatkan hasil akurasi rata-rata 98.3%, dengan akurasi tertinggi pada data Bank Aladin Syariah (98.54%) dan akurasi terendah pada data Bank Jago Syariah (98.30%). Regresi linier menunjukkan bahwa peningkatan jumlah data berbanding lurus dengan peningkatan akurasi model NBOW, dengan rumus y = 2.10^(-7) x + 98.308. Hasil ini lebih baik dari penelitian sebelumnya yang menggunakan metode CNN+SURF, yang mencapai akurasi 84%. Temuan lain adalah kemunculan kata-kata seperti "ribet" dan "aplikasi error" dalam sentimen negatif, menunjukkan perlunya peningkatan kemudahan penggunaan dan pengoptimalan aplikasi

Keywords


Akurasi Mode; Aplikasi Bank Syariah; Bag of Words (BoW); Support Vector Regression (SVR);

Full Text:

PDF

Article Metrics :

References


Eskiyaturrofikoh and R. R. Suryono, “Analisis Sentimen Aplikasi X Pada Google Play Store Menggunakan Algoritma Naïve Bayes Dan Support Vector Machine (SVM),” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 9, no. 3, pp. 1408–1419, 2024, doi: https://doi.org/10.29100/jipi.v9i3.5392.

D. H. Bangkalang, “Opinion mining of regional heads in indonesia using the support vector machine (SVM) method,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 9, no. 3, pp. 1622–1627, 2024, doi: https://doi.org/10.29100/jipi.v9i3.5381.

R. N. Fahmi, N. Nursyifa, and A. Primajaya, “Analisis Sentimen Pengguna Twitter Terhadap Kasus Penembakan Laskar Fpi Oleh Polri Dengan Metode Naive Bayes Classifier,” JIKO (Jurnal Inform. dan Komputer), vol. 5, no. 2, pp. 61–66, 2021, [Online]. Available: https://ejournal.akakom.ac.id/index.php/jiko/article/view/437/0

A. A. Sorokin and T. O. Shavrina, “Automatic spelling correction for Russian social media texts,” Komp’juternaja Lingvistika i Intellektual’nye Tehnol., pp. 688–701, 2016.

F. A. Artanto, “Support Vector Machine Berbasis Particle Swarm Optimization Pada Analisis Sentimen Anggota KPPS,” J. FASILKOM (teknologi Inf. dan ILmu KOMputer), vol. 14, no. 1, pp. 75–79, 2024, doi: https://doi.org/10.37859/jf.v14i1.6795.

A. N. Puspitasari, Y. Findawati, and Y. Rahmawati, “Analisis sentimen tweet pengguna e-commerce dengan menggunakan metode klasifikasi naive bayes,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 9, no. 3, pp. 1123–1132, 2024, doi: https://doi.org/10.29100/jipi.v9i3.4939.

F. A. Artanto, “Analisis Sentimen Opini Publik terhadap Fenomena Bunuh Diri Mahasiswa di Twitter Menggunakan Algoritma Naive Bayes,” Satesi J. Sains Teknol. dan Sist. Inf., vol. 4, no. 1, pp. 70–76, 2024, doi: 10.54259/satesi.v4i1.2908.

J. Prasetyo and D. O. Siahaan, “Klasifikasi Ulasan Aplikasi Pada Toko Aplikasi Bergerak Dengan Memanfaatkan Issue Tracker Github,” JUTI J. Ilm. Teknol. Inf., vol. 15, no. 2, p. 206, 2017, doi: 10.12962/j24068535.v15i2.a666.

A. A. Arifiyanti, N. R. Shantika, and A. O. Syafira, “Analisis Sentimen Ulasan Pengguna Bsi Mobile Pada Google Play Dengan Pendekatan Supervised Learning,” J. Inform. Polinema, vol. 9, no. 3, pp. 283–288, 2023, doi: 10.33795/jip.v9i3.1003.

D. Polap and M. Wlodarczyk-Sielicka, “Classification of non-conventional ships using a neural bag-of-words mechanism,” Sensors (Switzerland), vol. 20, no. 6, 2020, doi: 10.3390/s20061608.

Y. Yoshikawa, “Non-Linear Regression for Bag-of-Words Data via Gaussian Process Latent Variable Set Model,” pp. 3129–3135, 2015.

E. Subowo, I. Rosyadi, and H. H. Kusumawardhani, “Twitter Data as Decision Tree Parameter for Analysis of Tourism Potential Policies,” vol. 436, pp. 474–478, 2020, doi: 10.2991/assehr.k.200529.099.

A. Fatkhudin, F. A. Artanto, N. A. Safli, and D. Wibowo, “Decision Tree Berbasis SMOTE dalam Analisis Sentimen Penggunaan Artificial Intelligence untuk Skripsi,” Remik Ris. dan E-Jurnal Manaj. Inform. Komput., vol. 8, no. April, pp. 494–505, 2024, doi: 10.33395/remik.v8i2.13531.

E. Subowo, E. Sediyono, and Farikhin, “Ant Colony Algorithm for Determining Dynamic Travel Routes Based on Traffic Information from Twitter,” E3S Web Conf., vol. 125, no. 201 9, 2019, doi: 10.1051/e3sconf/201912523012.

A. Krouska, C. Troussas, and M. Virvou, “The effect of preprocessing techniques on Twitter sentiment analysis,” IISA 2016 - 7th Int. Conf. Information, Intell. Syst. Appl., no. July, 2016, doi: 10.1109/IISA.2016.7785373.

I. Sheikh et al., “Learning Word Importance with the Neural Bag-of-Words Model To cite this version : HAL Id : hal-01331720 Learning Word Importance with the Neural Bag-of-Words Model,” 2016.

R. P. Nawangsari, R. Kusumaningrum, and A. Wibowo, “Word2vec for Indonesian sentiment analysis towards hotel reviews: An evaluation study,” Procedia Comput. Sci., vol. 157, pp. 360–366, 2019, doi: 10.1016/j.procs.2019.08.178.

A. Richard and J. Gall, “A Bag-of-Words Equivalent Recurrent Neural Network for Action Recognition,” 2017.

E. Subowo, F. Adi Artanto, I. Putri, and W. Umaedi, “BLTSM untuk analisis sentimen berbasis aspek pada aplikasi belanja online dengan cicilan,” J. Fasilkom, vol. XII, no. Ii, pp. 132–140, 2022.

E. Subowo, A. Feriansyah, and I. Putri, “Analisis Media Sosial terhadap Perilaku Parkir Mobil Menggunakan Similarity Based Clustering,” J. Surya Inform., vol. 13, no. 1, pp. 19–23, 2023, doi: 10.48144/suryainformatika.v13i1.1602.


Tips Main yang Aman dan Seru

judi bolavipbet88vipbet88bolago88clubjudi