Penulis: Ma’Shum Abdul Jabbar ; Martin Roestamy ; Himmatul Miftah ; Irman Suherman ; Muhammad Encep ; Bobi Kurniawan Soegoto
DOI: 10.1109/INCITEST64888.2024.11121469
Abstrak
Penelitian ini bertujuan untuk mengatasi tantangan dalam memilih model pembelajaran mesin yang paling efisien guna menganalisis sentimen pengguna terhadap aplikasi BRImo di Google Play Store. Data ulasan pengguna mengenai BRImo, sebuah aplikasi milik PT Bank Rakyat Indonesia, dikumpulkan melalui teknik web scraping dari total 1,55 juta ulasan, dan selanjutnya digunakan 150.000 sampel relevan. Hasil penelitian menunjukkan bahwa Support Vector Machine (SVM) memiliki tingkat akurasi tertinggi (87,13%) namun memerlukan waktu pelatihan terlama (1310,70 detik). Sebaliknya, Naive Bayes memiliki waktu pelatihan terpendek (0,59 detik) namun akurasinya terendah (75,00%). Regresi Logistik muncul sebagai model yang memberikan keseimbangan antara akurasi tinggi dan waktu eksekusi cepat. Kontribusi penelitian ini adalah untuk menyediakan panduan komprehensif mengenai efisiensi dan reliabilitas model dalam analisis sentimen, yang dapat digunakan untuk membantu pemilihan model yang tepat dalam analisis ulasan pengguna baru. © 2024 IEEE.
Kata Kunci Penulis
BRImo; pembelajaran mesin; analisis sentimen; web scraping
Kata Kunci Terindeks
Bidang rekayasa terkendali
Senyawa barium; Efisiensi; Sistem cerdas; Sistem pembelajaran; Regresi logistik; Analisis keandalan; Ulasan; Support vector regression
Bidang rekayasa tak terkendali
BRImo; Studi komparatif; Akurasi tinggi; Model pembelajaran mesin; Pembelajaran mesin; Efisiensi model; Analisis sentimen; Waktu pelatihan; Ulasan pengguna; Web scraping
Bidang rekayasa utama
Analisis sentimen
Artikel ini dapat diakses di https://www.scopus.com/pages/publications/105015736072
