Algoritma Naïve Bayes dalam Analisis Komperatif Sentimen Dompet Digital
Abstract
Perkembangan teknologi finansial di Indonesia telah mendorong adopsi dompet digital secara masif, dengan jumlah pengguna aktif mencapai lebih dari 60 juta pada tahun 2024. Namun, tingginya tingkat penggunaan tersebut tidak selalu berbanding lurus dengan tingkat kepuasan pengguna. Oleh karena itu, analisis sentimen menjadi penting untuk memahami persepsi dan opini publik terhadap layanan dompet digital. Penelitian ini bertujuan untuk menganalisis sentimen ulasan pengguna dompet digital menggunakan algoritma Naive Bayes. Dataset yang digunakan terdiri dari 18.869 ulasan pengguna yang dikumpulkan dari Google Play Store pada empat aplikasi dompet digital populer di Indonesia, yaitu DANA, OVO, DOKU, dan LinkAja. Tahapan preprocessing data meliputi case folding, cleaning, tokenization, stopword removal, serta stemming menggunakan library Sastrawi. Proses ekstraksi fitur dilakukan menggunakan metode Term Frequency–Inverse Document Frequency (TF-IDF) dengan parameter max_features sebesar 5000. Selanjutnya, optimasi parameter model Naive Bayes dilakukan menggunakan GridSearchCV.Hasil penelitian menunjukkan bahwa model Naive Bayes dengan parameter alpha = 0,1 mampu mencapai tingkat akurasi sebesar 88,5% dan nilai AUC-ROC sebesar 0,9237, yang mengindikasikan kinerja klasifikasi sentimen yang sangat baik.
References
Bank Indonesia, 2024, "Statistik Sistem Pembayaran dan Infrastruktur Pasar Keuangan," Laporan Tahunan Bank Indonesia
T. Dahlberg, J. Guo, and J. Ondrus, “A critical review of mobile payment research,” Electronic Commerce Research and Applications, vol. 14, no. 5, pp. 265–284, 2015.
B. Liu, Sentiment Analysis and Opinion Mining. Morgan & Claypool Publishers, 2012.
A. McCallum and K. Nigam, “A comparison of event models for Naive Bayes text classification,” Proc. AAAI Workshop Learning for Text Categorization, 1998.
B. Pang and L. Lee, “Opinion mining and sentiment analysis,” Foundations and Trends in Information Retrieval, vol. 2, no. 1–2, pp. 1–135, 2008.
A. Hidayat dan S. Rahmawati, 2023, "Implementasi Machine Learning untuk Analisis Sentimen Media Sosial," Jurnal Teknik Informatika, vol. 18, no. 2, pp. 145-158
A. Pratama dan B. Wijaya,2023, "Analisis Sentimen Ulasan Aplikasi Mobile Banking Menggunakan Naive Bayes," Jurnal Teknologi Informasi, vol. 15, no. 2, pp. 112-125
A. F. Hidayatullah and M. R. Ma’arif, “Analysis of Indonesian text preprocessing techniques for sentiment classification,” Indonesian Journal of Electrical Engineering and Computer Science, vol. 29, no. 1, pp. 512–520, 2023
A. Alsaeedi and M. Z. Khan, “A study on sentiment analysis techniques of Twitter data,” International Journal of Advanced Computer Science and Applications, vol. 13, no. 1, pp. 1–10, 2022.
D. P. Putra and L. E. Nugroho, “Sentiment analysis using TF-IDF and machine learning classifiers,” Journal of Big Data, vol. 10, no. 1, pp. 1–18, 2023.
D. M. W. Powers, “Evaluation: From precision, recall and F-measure to ROC and informedness,” Journal of Machine Learning Technologies, vol. 2, no. 1, pp. 37–63, 2022.
F. Koto, E. Rahmaningtyas, and J. H. Lau, “IndoBERTweet: A pretrained language model for Indonesian Twitter sentiment analysis,” in Proc. ACL, Toronto, Canada, 2023, pp. 1–12.
H.Setiawan dan I. Kurniawan, 2021,"Sentiment Labeling Strategies for Indonesian Social MediaData," Procedia Computer Science, vol. 195, pp. 234-243
J.Hermawanetal., 2022,"FeatureExtractionMethodsforIndonesianTextClassification,"JournalofInformation Technology, vol. 14, no. 2, pp. 89-102
K. Kowsari, K. J. Meimandi, M. Heidarysafa, S. Mendu, L. Barnes, and D. Brown, “Text classification algorithms: A survey,” Information, vol. 13, no. 2, pp. 1–68, 2022.
R. A. Pratama and Suyanto, “Performance comparison of Naive Bayes and support vector machine for sentiment analysis,” TELKOMNIKA (Telecommunication, Computing, Electronics and Control), vol. 21, no. 4, pp. 1021–1029, 2023.
R. Saputra and A. Nugraha, “Sentiment analysis of Indonesian e-wallet services using Naive Bayes classifier,” Journal of Information Systems Engineering and Business Intelligence, vol. 10, no. 2, pp. 85–95, 2024.
K. Santoso dan L. Putri, 2023,"Optimasi Algoritma Naive Bayes untuk Klasifikasi Teks Bahasa Indonesia," Jurnal Informatika, vol. 19, no. 3, pp. 178-191.
Y. A. Sari and A. Wibowo, “Text preprocessing impact on sentiment analysis using machine learning,” Journal of Information and Communication Technology, vol. 21, no. 3, pp. 295–310, 2022.
T. Joachims, “Text categorization with machine learning: Learning with many relevant features,” Machine Learning: ECML, pp. 137–142, updated survey reference, 2022.
