Komparasi Algoritma Support Vector Machine dengan Naive Bayes Untuk Analisis Sentimen Pada Aplikasi BRImo

  • Puji Astuti A
  • Alam S
  • Jaelani I
N/ACitations
Citations of this article
154Readers
Mendeley users who have this article in their library.

Abstract

Perbankan merupakan industri yang saat ini sudah berkembang dalam pemanfaatan teknologi informasi dengan meningkatkan standar kualitas layanan agar dapat bersaing dipasar pada era digital yang semakin ketat. Pada saat ini bank BRI sedang menarik perhatian masyarakat akan kualitas pembaharuan dengan meluncurkan aplikasi mobile banking,  maka dari itu dilakukanlah analisis mengenai ulasan pengguna mobile banking  BRImo untuk dijadikan sebagai objek penelitian  dengan melakukan komparasi metode klasifikasi text mining. Penelitian ini bertujuan  untuk   mengetahui hasil komparasi algoritma Support vector machine dan Naive bayes. Algoritma  Support vector machine dan Naive bayes  adalah suatu metode  klasifikasi untuk mengolah data berupa teks dengan  tingkat akurasi yang baik.  Algoritma ini biasanya digunakan untuk analisis text mining dengan 4 tahapan yaitu Scrapping data, Preprocessing, Klasifikasi dan evaluasi. Pada tahap preprocessing memiliki beberapa proses diantaranya filtering, labeling, case folding, tokenization, stopword removal & Stemming dan normalisasi agar mendapatkan suatu kata yang bisa diklasifikasikan. Hasil dari penelitian ini yaitu algoritma Support vector machine merupakan algortima yang lebih baik dalam klasifikasi data ulasan aplikasi mobile banking BRImo dengan nilai akurasi sebesar 97,69% dibandingkan algoritma Naive Bayes dengan nilai akurasi sebesar 96,53%.

Register to see more suggestions

Mendeley helps you to discover research relevant for your work.

Already have an account?

Cite

CITATION STYLE

APA

Puji Astuti, A., Alam, S., & Jaelani, I. (2022). Komparasi Algoritma Support Vector Machine dengan Naive Bayes Untuk Analisis Sentimen Pada Aplikasi BRImo. Jurnal Bangkit Indonesia, 11(2), 1–6. https://doi.org/10.52771/bangkitindonesia.v11i2.196

Readers' Seniority

Tooltip

Lecturer / Post doc 7

58%

PhD / Post grad / Masters / Doc 3

25%

Researcher 2

17%

Readers' Discipline

Tooltip

Computer Science 11

85%

Mathematics 1

8%

Engineering 1

8%

Save time finding and organizing research with Mendeley

Sign up for free