Analisis Review Pengguna Google Meet dan Zoom Cloud Meeting Menggunakan Algoritma Naïve Bayes
Sari
Saat ini seluruh dunia sedang menghadapi wabah penyakit menular yaitu virus Covid 19. Pembatasan sosial atau menjaga jarak adalah serangkaian tindakan pengendalian infeksi nonfarmasi yang dimaksudkan untuk menghentikan atau memperlambat penyebaran penyakit menular tersebut. Sehingga seluruh masyarakat diharapkan untuk beraktifitas dirumah untuk menghentikan penyebaran virus Covid 19. Agar tetap bisa menjalankan aktifitas dirumah diperlukan virtual meet untuk berkomunikasi sesama team atau rekan kerja. Saat ini virtual meet telah banyak dipakai. Penilaian Sebuah Aplikasi di Playstore memiliki tujuan untuk memberikan ulasan tentang kelebihan dan kekurangan dalam penggunaan aplikasi khsusunya virtual video conference. Untuk mengetahui sejauh mana analisa review pengguna aplikasi Google Meet dan Zoom Cloud Meeting berdasarkan pemberian jumlah bintang dengan menggunakan teknik klasifikasi yaitu perbandingan Algoritma Naïve Bayes dengan feature optimasi SMOTE Upsampling dan PSO. Penggunaan feature selection synthetic minority over-sampling technique (SMOTE) dan feature optimasi Particle swarm optimization (PSO) pada algoritma klasifikasi terbukti sangat berpengaruh untuk meningkatkan akurasi pada algoritma Naïve Bayes untuk pengolahan data review pengguna Google Meet dan Zoom Cloud Meeting pada google play berdasarkan perolehan skor bintang. Hasil pengujian mendapatkan hasil akurasi sebesar 85,76 % yang ditambah dengan Feature Smote dan PSO untuk review Zoom Cloud Meeting, sedangkan untuk pengguna Google Meet yang ditambah dengan Feature Smote dan PSO hanya mampu mendapat tingkat akurasi sebesar 79,33 %.
Teks Lengkap:
PDFReferensi
Abdillah, G., Putra, F. A., & Renaldi, F. (2016). Penerapan Data Mining Pemakaian Air Pelanggan Untuk Menentukan Klasifikasi Potensi Pemakaian Air Pelanggan Baru Di Pdam Tirta Raharja Menggunakan Algoritma K-Means. Sentika 2016, 2016(Sentika), 18–19.
Buntoro, G. A. (2017). Analisis Sentimen Calon Gubernur DKI Jakarta 2017 Di Twitter. Integer Journal Maret, 1(1), 32–41. https://www.researchgate.net/profile/Ghulam_Buntoro/publication/316617194_Analisis_Sentimen_Calon_Gubernur_DKI_Jakarta_2017_Di_Twitter/links/5907eee44585152d2e9ff992/Analisis-Sentimen-Calon-Gubernur-DKI-Jakarta-2017-Di-Twitter.pdf
Darmawan, A., & Syamsiah, S. (2016). Analisa Model Support Vector Machine Textmining pada Komentar Positif dan Negatif untuk Review PerbandinganWhatsapp Vs BBM. STRING (Satuan Tulisan Riset Dan Inovasi Teknologi), 1(1), 74–82. https://doi.org/10.30998/string.v1i1.971
Gunadi, G., & Sensuse, D. I. (2012). Penerapan Metode Data Mining Market Basket Analysis Terhadap Data Penjualan Produk Buku Dengan Menggunakan Algoritma Apriori Dan Frequent Pattern Growth ( Fp-Growth ) : STUDI KASUS PERCETAKAN PT. GRAMEDIA. Telematika, 4(1), 118–132.
Gunawan, F., Fauzi, M. A., & Adikara, P. P. (2017). Analisis Sentimen Pada Ulasan Aplikasi Mobile Menggunakan Naive Bayes dan Normalisasi Kata Berbasis Levenshtein Distance (Studi Kasus Aplikasi BCA Mobile). Systemic: Information System and Informatics Journal, 3(2), 1–6. https://doi.org/10.29080/systemic.v3i2.234
Hanggara, S., Akhriza, T. M., & Husni, M. (2017). APLIKASI WEB UNTUK ANALISIS SENTIMEN PADA OPINI PRODUK DENGAN METODE NAIVE BAYES CLASSIFIER. Seminar Nasional Inovasi Dan Aplikasi Teknologi Di Industri, 4(2), A33.1-A33.6.
Hartanto. (2017). Text Mining Dan Sentimen Analisis Twitter Pada Gerakan Lgbt. Intuisi : Jurnal Psikologi Ilmiah, 9(1), 18–25.
Hulu, A. M. F., & Lhaksmana, K. M. (2019). Analisis Sentimen pada Twitter Menggunakan Metode Support Vector Machine. Seminar Nasional Teknologi Fakultas Teknik Universitas Krisnadwipayana, 1(1), 739–742.
Minarni, & Irawan, P. (2019). Implementasi Metode Naive Bayes Untuk Diagnosa Penyakit Lambung. Jurnal TEKNOIF, 9986(September), 115–123. https://doi.org/10.21063/JTIF.2019.V7.2.
Pertiwi, M. W. (2019). Analisis sentimen opini publik mengenai sarana dan transportasi mudik tahun 2019 pada twitter menggunakan algoritma naïve bayes, neural network, KNN dan SVM. Inti Nusa Mandiri, 14(1), 27–32.
Raco, J. R. (2010). Metode Penelitian Kualitatif: Jenis, Karakteristik dan Keunggulannya.
Ratniasih, N. L., Sudarma, M., & Gunantara, N. (2017). Penerapan Text Mining Dalam Spam Filtering Untuk Aplikasi Chat. Majalah Ilmiah Teknologi Elektro, 16(3), 13. https://doi.org/10.24843/mite.2017.v16i03p03
Rofiqoh, U., Perdana, R. S., & Fauzi, M. A. (2017). Analisis Sentimen Tingkat Kepuasan Pengguna Penyedia Layanan Telekomunikasi Seluler Indonesia Pada Twitter Dengan Metode Support Vector Machine dan Lexion Based Feature. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, 1(12), 1725–1732. http://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/628
Salam, A., Zeniarja, J., & Khasanah, R. S. U. (2018). Analisis Sentimen Data Komentar Sosial Media Facebook Dengan K-Nearest Neighbor (Studi Kasus Pada Akun Jasa Ekspedisi Barang J&T Ekpress Indonesia). Prosiding SINTAK, 480–486.
Saritas, M. M., & Yasar, A. (2019). Performance Analysis of ANN and Naive Bayes Classification Algorithm for Data Classification. Faraday Discuss., 2(7), 88–91. https://doi.org/10.1039/b000000x
DOI: https://doi.org/10.31294/infortech.v2i2.9286
DOI (PDF): https://doi.org/10.31294/infortech.v2i2.9286.g4564
Refbacks
- Saat ini tidak ada refbacks.
