ANALISIS SENTIMEN ULASAN PENGGUNA OVO MENGGUNAKAN ALGORITMA NAIVE BAYES PADA GOOGLE PLAY STORE

Abstract

Pada era digital ini, penggunaan OVO semakin meluas sebagai alat pembayaran yang praktis dan efesien. Metode Algoritma Naive Bayes telah digunakan untuk menganalisis sentimen dari ulasan pengguna OVO, Evaluasi terhadap metode ini dilakukan dengan mengukur akurasi dalam mengklasifikasikan sentimen positif dan negatif dari berbagai ulasan pengguna. Faktor-faktor seperti stabilitas server, kecepatan transaksi, keamanan data, dan ketersediaan fitur tambahan dievaluasi melalui analisis data dan ulasan pengguna.Penelitian ini bertujuan untuk menganalisis sentimen pengguna OVO menggunakan metode Algoritma Naive Bayes dengan fokus pada kepuasan pengguna, kenyamanan penggunaan, dan persepsi terhadap fitur-fitur yang disediakan. Pendekatan yang digunakan adalah mengintegrasikan,pendekatan Knowledge Discovery in Databases (KDD) dengan Algoritma Naive Bayes. Tahapan awal melibatkan pengumpulan data ulasan pengguna OVO dari Google Play Store melalui teknik web scraping sebanyak 1000 data ulasan.Data kemudian melalui tahapan preprocessing, termasuk case folding, tokenization, stopword removal, dan stemming, serta dilakukan labeling. Pendekatan KDD melibatkan transformasi data, Hasil menunjukkan distribusi yang sangat mendominasi rating ulasan satu bintang sebesar 75%, mencerminkan tingginya tingkat ketidakpuasan pengguna. Sentimen negatif yang mendominasi 87,2% menyoroti keluhan utama terkait masalah teknis seperti transfer yang sering gagal dan respons lambat. Meskipun tingkat akurasi tinggi pada data latih, akurasi pada data uji turun menjadi 88%. Ini menunjukkan adanya tantangan dalam menggeneralisasi pola dari data latih ke data uji, memperlihatkan perlunya penyesuaian dan pemahaman lebih lanjut terhadap pola-pola baru.Model Naive Bayes pertama mencapai akurasi sekitar 88,48%, menandakan kapasitasnya dalam menghasilkan prediksi yang akurat secara menyeluruh. Presisi yang tinggi 100% mencerminkan akurasi model dalam mengidentifikasi kelas positif, sementara recall yang rendah 4,35% menunjukkan keterbatasan dalam menangkap seluruh kasus positif.. F1-Score yang relatif rendah 8,33% menunjukkan adanya trade-off antara presisi dan recall.