Abstrak
Aplikasi mobile banking merupakan salah satu aplikasi yang dianggap dapat memberikan kemudahan
dalam kegiatan manusia. Salah satu aplikasi yang banyak digunakan adalah BCA Mobile. Aplikasi ini
dapat memudahkan pengguna dalam melakukan beberapa kegiatan keuangan dengan tidak pergi ke bank
terkait. Hal ini tentunya sangat bermanfaat dalam menghemat waktu bagi pengguna yang memiliki
kesibukan dalam kesehariannya. Dari aplikasi mobile yang ada saat ini, tidak ditemukan adanya fitur
analisis sentimen untuk mengelompokkan atau menyaring antara ulasan positif dan negatif. Untuk
mengetahui ulasan tersebut tergolong ulasan positif atau negatif, diperlukan analisis sentimen terhadap
ulasan tersebut. Proses analisis sentimen diawali dengan pre-processing data, pembobotan kata
menggunakan metode BM25, dan dilakukan pengklasifikasian dokumen menggunakan Improved K-
Nearest Neighbor. Hasil yang diperoleh berdasarkan evaluasi berupa pengujian 5-fold mendapatkan
nilai k-values terbaik sebesar 10, dengan nilai precision sebesar 0,946, recall sebesar 0,934, f-measure
sebesar 0,939, dan accuracy sebesar 0,942. Hasil pengujian yang telah dilakukan mendapatkan hasil
akurasi yang fluktuatif, karena dipengaruhi oleh besarnya nilai k-values. Namun tidak dipengaruhi oleh
jumlah atau proporsi kelas data uji, karena meskipun data jumlah atau proporsi kelas data yang
digunakan berbeda tetapi nilai k-values baru menyesuaikan dengan jumlah data uji tiap kelas.
Kata kunci: analisis sentimen, aplikasi mobile, BM25, improved k-nearest neighbor
Abstract
Mobile banking application is one of the applications that can provide convenience in human activities.
One of these applications is BCA Mobile. This application makes users easily to do financial activities
without having to go to the relevant bank. This is an option that is very useful for users who have a busy
life in their daily lives. From existing mobile applications, there are no features that can be used to
group or filter positive and negative reviews. To find out reviews that are classified as positive or
negative reviews, a sentiment analysis review is needed. The analysis process begins with pre-
processing data, weighing words using the BM25 algorithm, and the process of classification using
Improved K-Nearest Neighbor. The results obtained based on the result of 5-fold cross-validation and
get the best k-value at 10, with the result of precision value are 0.946, recall value is 0.934, f-measure
value is 0.939, and an accuracy is 0.942. These results get fluctuating measurement results because of
the amount of k-value. However, it does not influence by the amount classes of data, because even though
there are different amounts or proportions of data classes, the new k-value adjust to the amount of data
based on the value of each class.
Keywords: sentiment analysis, mobile application, BM25, improved k-nearest neighbor
manusia. Mulai dari kebutuhan rumah tangga, Pardede (2015), menunjukkan bahwa metode
gaya hidup, hobi, olahraga, musik, mobile BM25 lebih efektif dalam melakukan
banking dan masih banyak kebutuhan lainnya. pemeringkatan dokumen. Berdasarkan hasil
Aplikasi mobile banking dapat memudahkan pengujian yang dilakukan, metode BM25
pengguna dalam melakukan proses transaksi memiliki waktu pemrosesan lebih cepat
yang berkaitan dengan keuangan tanpa harus dibandingkan dengan metode Probabilistic
pergi langsung menuju bank terkait. Salah satu Latent Semantic Analysis (PLSA). Selain itu,
aplikasi yang berkembang dalam bidang mobile dilihat dari nilai rata-rata f-measure, metode
banking adalah BCA Mobile. Berdasarkan BM25 memiliki akurasi lebih tinggi
jumlah unduhan pada toko aplikasi atau dibandingkan metode PLSA.
Playstore sampai dengan bulan Januari 2019,
Penelitian analisis sentimen ini dilakukan
aplikasi BCA Mobile merupakan aplikasi yang
untuk mencapai tujuan mengetahui perancangan
paling banyak di unduh dibandingkan dengan
algoritme BM25 dan Improved K-Nearest
aplikasi serupa lainnya yaitu sebanyak 239.392
Neighbor untuk permasalahan analisis sentimen
kali.
pada ulasan aplikasi BCA Mobile, serta
Setiap aplikasi mobile mengizinkan mengetahui hasil pengujian yang diperoleh
pengguna untuk memberikan ulasan terhadap menggunakan precision, recall, dan f-measure
pelayanan dan fitur yang diberikan oleh aplikasi yang diterapkan pada evaluasi k-fold cross
mobile tersebut. Ulasan pengguna sebelumnya validation.
sangat bermanfaat bagi calon pengguna aplikasi
yang ingin menggunakan aplikasi tersebut. Dari 2. DASAR TEORI
aplikasi mobile yang terdapat saat ini, belum
2.1 Ulasan
ditemukan adanya fitur dalam analisis sentimen Ulasan yang berasal dari kata ulas atau bisa
untuk mengelompokkan atau menyaring antara disebut juga dengan kupasan, tafsiran atau
ulasan positif dan negatif. Analisis sentimen komentar menurut Kamus Besar Bahasa
merupakan bidang ilmu yang menganalisis Indonesia merupakan suatu tanggapan atas
opini, evaluasi, sentimen, emosi, perilaku, sebuah kejadian. Ulasan pada suatu produk atau
maupun penilaian melalui entitas yang dapat aplikasi dianggap penting karena sebagian besar
berupa pelayanan, produk, individu, isu-isu, dari pengguna cenderung melihat ulasan
kejadian, dan topik (Liu, 2016). Ulasan yang pengguna sebelumnya (Febrianti, Indriati dan
diperoleh dari pengguna layanan aplikasi mobile Widodo, 2018).
diklasifikasikan untuk menentukan ulasan
tersebut termasuk positif atau negatif. 2.2 Analisis Sentimen
Beberapa metode telah dikembangkan dalam Analisis sentiment merupakan
pengklasifikasian teks. Salah satu metode pengelompokan teks yang berupa informasi
tersebut adalah K-Nearest Neigbor (K-NN). tekstual yang bersifat opini. Maka dari itu sifat
Algoritme ini memiliki kelemahan yaitu nilai k dari analisis sentimen adalah subjektif terhadap
ditetapkan sama pada semua kategori. Namun suatu hal. Yang dimaksud subjektif disini adalah
hal tersebut dapat diatasi dengan menggunakan dapat berupa positif atau negatif. Informasi
algoritme Improved K-Nearest Neighbor. tekstual yang dikelompokkan menjadi positif
Penelitian oleh Baoli, Shiwen, dan Qin (2003) atau negatif akan mengandung suatu nilai. Nilai
menunjukkan bahwa dengan algoritme tersebut yang selanjutnya akan digunakan
Improved K-Nearest Neighbor, mendapatkan sebagai parameter dalam menentukan suatu
hasil kestabilan pada proses kategorisasi dengan keputusan terhadap suatu dokumen (Indriati dan
k-values yang bervariasi. Dalam metode ini, nilai Ridok, 2016).
k-values pada setiap kategori disesuaikan dengan
besar-kecilnya jumlah dokumen latih yang 2.3 Text Mining
dimiliki kategori, sehingga nilai k-values tiap Text mining merupakan suatu proses dalam
kategori berbeda-beda (Putri, Ridok dan Indriati, penambangan data berupa teks yang sumber
2013). datanya biasanya didapat dari suatu dokumen,
yang tujuannya yaitu menemukan kata yang
Sementara itu dalam pemeringkatan kata, dapat mewakili isi dokumen sehingga dapat
metode yang sering digunakan yaitu metode dilakukan analisis hubungan antara suatu
BM25. Hasil penelitian yang dilakukan oleh dokumen (Sianturi, 2014).