Perbandingan Kinerja Metode Naïve Bayes Classifier dan K-Nearest Neighbor pada Analisis Sentimen Ulasan Mobile Banking Jenius
DOI:
https://doi.org/10.58982/krisnadana.v3i2.516Keywords:
mobile banking, Naïve Bayes Classifier, K-Nearest neighbor, analisis sentimenAbstract
Salah satu dampak revolusi industri 4.0 adalah terjadinya persaingan antara bank dengan fintech, supaya tidak tertinggal bank melakukan inovasi dengan menciptakan mobile banking, hingga di Indonesia jumlah pengguna mobile banking setiap tahun semakin meningkat dan nasabah semakin banyak sehingga bank perlu untuk memperhatikan kepuasan pelanggan.Analisis sentimen adalah salah satu solusi yang dapat digunakan untuk melihat kepuasan pelanggan dari opini pengguna aplikasi mobile banking.Pada penelitian ini penulis memiliki tujuan untuk membandingkan kinerja metode Naïve Bayes Classifier dan K-Nearest Neighbor terhadap ulasan mobile banking. Adapun pengujian dari 2000 data yang dibagi menjadi 1600 data latih dan 400 data uji.Hasil analisa menunjukan bahwa metode K-Nearest Neighbor lebih unggul dalam menganalisis sentimen dan hasil performance confusion matrix menunjukan hasil akurasi K-Nearest Neighbor unggul dengan akurasi sebesar 84,06% dan 83,06% sedangkan Naïve Bayes Classifier memperoleh hasil akurasi sebesar 83,06% dan 82,56%.
References
N. L. W. S. R. Ginantra, C. P. Yanti, G. D. Prasetya, I. B. G. Sarasvananda, and I. K. A. G. Wiguna, “Analisis Sentimen Ulasan Villa di Ubud Menggunakan Metode Naive Bayes, Decision Tree, dan K-NN,” J. Nas. Pendidik. Tek. Inform., vol. 11, no. 3, pp. 205–215, 2022.
A. I. Mutiasari, “PERKEMBANGAN INDUSTRI PERBANKAN DI ERA DIGITAL,” J. Ekon. BISNIS DAN KEWIRAUSAHAAN, vol. 9, no. 2, 2020.
Dirwan, “Pengaruh Kualitas Jasa ‘Jenius BTPN’ Terhadap Kepuasan Nasabah Pada Pt. Bank Tabungan Pensiun Nasional Cabang Makassar,” AKMEN J. Ilm., vol. 15, no. 3, 2018.
Zufrizal, “Pengguna Mobile Banking di 4 Negara Ini Bakal Meroket,” 9 Desember 2020, p. 1, 2020.
A. Rahmadhanu, M. Raihan Zaky, M. Isra, and N. Sri Wahyuni Nengsih, “Penerapan Machine Learning Untuk Menentukan Tingkat Kepuasan Tamu Hotel Dymens Menggunakan Metode Vader,” jurnal.unidha.ac.idA Ramadhanu, MR Zaky, M Isra, NSW Nengsih, S SularnoJurnal Teknol. Dan Sist. Inf. Bisnis, 2023•jurnal.unidha.ac.id, vol. 5, no. 3, pp. 337–343, 2023.
I. Iwandini, A. Triayudi, and G. Soepriyono, “Analisa Sentimen Pengguna Transportasi Jakarta Terhadap Transjakarta Menggunakan Metode Naives Bayes dan K-Nearest Neighbor,” J. Inf. Syst. Res., vol. 4, no. 2, pp. 543–550, 2023.
R. N. Devita, H. W. Herwanto, and A. P. Wibawa, “Perbandingan Kinerja Metode Naive Bayes dan K-Nearest Neighbor untuk Klasifikasi Artikel Berbahasa indonesia,” J. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 4, p. 427, 2018.
M. Abdulraheem, J. B. Awotunde, A. E. Adeniyi, I. D. Oladipo, and S. O. Adekola, “Weather prediction performance evaluation on selected machine learning algorithms,” IAES Int. J. Artif. Intell., vol. 11, no. 4, pp. 1535–1544, 2022.
M. M. Saritas, “Multi-phase semicrystalline microstructures drive exciton dissociation in neat plastic semiconductors,” J. Mater. Chem. C, vol. 3, pp. 10715–10722, 2015.
M. M. Saritas and Yasar A, “Performance Analysis of ANN and Naive Bayes Classification Algorithm for Data Classification,” Int. J. Intell. Syst. Appl. Enginerring, vol. 7, no. 2, pp. 88–91, 2019.
P. D. Rinanda, B. Delvika, S. Nurhidayarnis, N. Abror, and A. Hidayat, “Perbandingan Klasifikasi Antara Naive Bayes dan K-Nearest Neighbor Terhadap Resiko Diabetes pada Ibu Hamil,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 2, no. 2, pp. 68–75, 2022.
P. Subarkah, W. Risma, and R. Aditya, “Comparison of correlated algorithm accuracy Naive Bayes Classifier and Naive Bayes Classifier for heart failure classification,” vol. 14, no. 2, pp. 120–125, 2022.
P. Subarkah, P. W. Rahayu, I. Darmayanti, and R. Riyanto, “Sentiment Analysis on Reviews of Women’S Tops on Shopee Marketplace Using Naive Bayes Algorithm,” JITK (Jurnal Ilmu Pengetah. dan Teknol. Komputer), vol. 9, no. 1, pp. 126–133, 2023.
I. Darmayanti, P. Subarkah, L. R. Anunggilarso, and J. Suhaman, “Prediksi Potensi Siswa Putus Sekolah Akibat Pandemi Covid-19 Menggunakan Algoritme K-Nearest Neighbor,” J. Sains dan Teknol., vol. 10, no. 2, pp. 230–238, 2021.
Downloads
Published
Issue
Section
License
Copyright (c) 2024 Anggi Tri Dewi Septiani, Adam Prayogo Kuncoro, Pungkas Subarkah, Riyanto Riyanto
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
