Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : INFORMASI (Jurnal Informatika dan Sistem Informasi)

Analisis Sentimen Review Aplikasi Mypertamina Menggunakan Word Embedding Fasttext Dan Algoritma K-Nearest Neighbor Nanda Sepriadi; Elvia Budianita; Muhammad Fikry; Pizaini
INFORMASI (Jurnal Informatika dan Sistem Informasi) Vol 15 No 1 (2023): INFORMASI (Jurnal Informatika dan Sistem Informasi)
Publisher : LPPM STMIK Indonesia Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37424/informasi.v15i1.222

Abstract

Pertamina adalah’ perusahaan yang dimilik negara bergerak di bidang energi seperti minyak, gas serta energi baru dan energi terbarukan. Pertamina juga telah menciptakan sebuah aplikasi yang dapat diakses secara mobile yang tersedia di Play Store untuk memudahkan konsumen dalam bertransaksi pembayaran bahan bakar minyak (BBM) yang dapat diakses melalui aplikasi MyPertamina yang dapat di download melalui App Store dan Play Store. Playstore adalah platform Google yang menyediakan aplikasi mobile dan fasilitas pengguna untuk berbagi ulasan. Dalam penelitian ini, pendekatan yang digunakan untuk analisis sentimen adalah menggunakan kamus Lexicon Based dan metode K-Nearest Neighbor. Kamus leksikon yang diterapkan yaitu vader yang memberikan label secara otomatis, sementara metode K-Nearest Neighbor digunakan untuk melakukan pengelompokan atau klasifikasi. Maksud penelitian ini dilakukan adalah untuk memahami bagaimana pengelompokan tanggapan masyarakat terhadap aplikasi MyPertamina dan mengetahui performa terbaik metode K-NN dengan 3 perbandingan data latih dan data uji. Penelitian ini menggunakan data berjumlah 8000 data, data ini kemudian dikelompokkan menjadi tiga bagian data latih dan data uji , dengan bagian 90/10, 80/20 dan 70/30. Diperoleh hasil pelabelan menghasilkan 1405 data dengan label positif, 1698 data dengan label netral, dan 4897 data dengan label negatif. Akurasi tertinggi diperoleh dataset B dengan porsi data 80/20 dengan nilai K = 9 yang menghasilkan akurasi sebesar 73%, presision sebesar 70% dan recall sebesar 73% tanpa mengunakan Undersampling. Sedangkan data yang sama menggunakan Undersampling diperoleh akurasi sebesar 57%, presision sebesar 73% dan recall sebesar 57%. Penurunan akurasi ini disebabkan oleh pengurangan jumlah data training akibat menggunakan undersampling.