Analisis Sentimen Dompet Elektronik Pada Twitter Menggunakan Metode Naïve Bayes Classifier

M. Wino Adi Putra; Susanti; Erlin; Herwin

doi:10.25299/itjrd.2020.vol5(1).5159

Authors

M. Wino Adi Putra STMIK Amik Riau
Susanti STMIK Amik Riau
Erlin STMIK Amik Riau
Herwin STMIK Amik Riau

DOI:

https://doi.org/10.25299/itjrd.2020.vol5(1).5159

Keywords:

Analisis Sentimen, Dompet Elektronik, Naïve Bayes Classifier, Twitter

Abstract

Twitter selain sebagai media sosial untuk berinteraksi dengan teman di dunia maya ternyata juga bisa menjadi suatu media untuk melakukan penelitian. Banyak peneliti menjadikan twitter sebagai wadah untuk melakukan penelitian baik berupa Social Network Analysis ataupun Analisis Sentimen. Dompet elektronik merupakan salah satu hasil perkembangan teknologi bidang transaksi online. Kompleksitas kegiatan masyarakat membuat mereka mencari suatu media pembayaran yang cepat dan aman. Perekembangan Dompet Elektronik di Indonesia bisa dibilang sangat pesat, karena semakin banyaknya masyarakat yang menggunakan dompet elektronik seperti Dana, OVO dan Go-Pay. Banyaknya tawaran keuntungan menjadi nilai lebih bagi masyarakat untuk menggunakan Dompet Elektronik tersebut. Penelitian ini bertujuan untuk menganalisa tanggapan masyarakat atas hadirnya berbagai aplikasi dompet elektronik di Indonesia dengan mengklasifikasikannya kedalam tiga kelas yakni positif, negatif dan netral dengan menggunakan metode Naïve Bayes dan menggunakan perangkat lunak Rapidminer untuk menganalisisa suatu sentiment ataupun sejenisnya dengan melewati suatu proses preprocessing. Data diperoleh secara langsung dari situs microblogging Twitter dengan hashtag pencarian #GoPay, #OVO dan #DANA, dari data tersebut, diambil 100 data dengan rincian 70 data latih dan 30 data uji. Hasil dari penelitian ini menunjukkan bahwa analisis sentimen pada dompet elektronik GoPay lebih banyak dinilai positif oleh pengguna twitter yaitu sebesar 46,67% diikuti oleh Dana sebesar 37,50% dan OVO sebesar 16,67%. Dompet elektronik OVO memiliki nilai negatif yang lebih tinggi yaitu sebesar 63,33% diikuti oleh GoPay sebesar 53,33% dan Dana sebesar 30,00%. Penelitian ini memberikan bukti empiris dan merekomendasikan kepada masyarakat untuk lebih menggunakan GoPay kegiatan jual beli dikehidupan sehari-hari.

Downloads

Download data is not yet available.

References

A. Anjelina, “Persepsi Konsumen Pada Penggunaan E-Money,” J. Appl. Manag. Account., vol. 2, no. 2, pp. 219–231, 2018.

Vivin Dian Devita, “Siapa Aplikasi E-wallet dengan Pengguna Terbanyak di Indonesia?,” 2019. .

A. Mayfield, What is Social Media? UK: iCrossing, 2008.

A. Alsaeedi and M. Z. Khan, “A study on sentiment analysis techniques of Twitter data,” Int. J. Adv. Comput. Sci. Appl., vol. 10, no. 2, pp. 361–374, 2019.

S. Suryono, E. Utami, and E. T. Luthfi, “Analisis Sentiment Pada Twitter Dengan Menggunakan Metode Naive Bayes Classifier,” Pros. Semin. Nas. Geotik 2019, pp. 9–15, 2018.

A. V. Sudiantoro and E. Zuliarso, “Analisis Sentimen Twitter Menggunakan Text Mining Dengan Algoritma NAÏVE BAYES CLASSIFIER,” Pros. SINTAK 2018, no. 2018, pp. 398–401, 2018.

B. M. Pintoko and K. M. L, “Analisis Sentimen Jasa Transportasi Online pada Twitter Menggunakan Metode Naïve Bayes Classifier,” e-Proceeding Eng., vol. 5, no. 3, pp. 8121–8130, 2017.

R. Mahendrajaya, G. A. Buntoro, and M. B. Setyawan, “Analisis Sentimen Pengguna Gopay Menggunakan Metode Lexicon Based Dan Support Vector Machine,” Komputek, vol. 3, no. 2, p. 52, 2019.

N. Anggraini and H. Suroyo, “Comparison of Sentiment Analysis against Digital Payment ‘T-cash and Go-pay’ in Social Media Using Orange Data Mining,” J. Inf. Syst. Informatics, vol. 1, no. 2, pp. 152–163, 2019.

S. Saidah and J. Mayary, “Analisis Sentimen Pengguna Twitter Terhadap Dompet Elektronik Dengan Metode Lexicon Based Dan K – Nearest Neighbor,” J. Ilm. Inform. Komput., vol. 25, no. 1, pp. 1–17, 2020.

B. Liu, The essential of sentiment analysis and opinion mining in social media : IIntroduction and survey of the recent approaches and techniques, Second. USA: Chapman & Hall/CRC, 2010.

M. Mardalius, “Pemanfaatan Rapid Miner Studio 8.2 Untuk Pengelompokan Data Penjualan Aksesoris Menggunakan Algoritma K-Means,” Jurteksi, vol. 4, no. 2, pp. 123–132, 2018.