ANALISIS SENTIMEN E-LEARNING PADA GOOGLE PLAY DENGAN PERBANDINGAN MULTIPLE ALGORITMA

• AHMAD YUSUF MALIK
• 14002182

---

ABSTRAK

 

 

ABSTRAK

Nama

:

Ahmad Yusuf Malik

NIM

:

14002182

Program Studi

:

Ilmu Komputer

Jenjang

:

Program Magister (S2)

Konsentrasi

:

Data Mining

Judul

:

“Analisis  Sentimen E-Learning Pada Google Play

 

 

     Dengan Perbandingan Multiple Algoritma”

 

 

 

 

Akibat pandemi covid-19 dunia pendidikan tidak lagi menggunakan metode tatap muka dalam melaksanakan aktifitas belajar-mengajar, hal ini sangat berdampak pada bidang pendidikan sehingga pembelajaran beralih pada aplikasi e-learning. Beberapa aplikasi e-learning peneliti mengambil studi kasus yaitu aplikasi Microsoft Teams. User atau pengguna aplikasi yang merasa tidak puas dengan layanan atau produk yang ditawarkan oleh sebuah perusahaan biasanya akan menuliskan keluhannya di media sosial atau ulasan di Google play. Pada penelitian ini, dataset yang digunakan untuk pengujian model diperoleh dari ulasan aplikasi e-learning Microsoft Teams pada Google Play sebanyak 1000 ulasan, yang kemudian diklasifikasikan kedalam ulasan positif dan ulasan negatif. Dari keseluruhan data yang berjumlah 1000 ulasan diperoleh data sebanyak 503 data positif dan 497 data negatif. data tersebut yang akan digunakan sebagai dataset untuk analisis sentimen menggunakan metode Support Vector Machine, Naive Bayes dan K-Nearest Neighbor. Selain itu menerapkan metode pemilihan fitur optimasi Particle Swarm Optimization dan Ensemble Feature Vote untuk meningkatkan nilai akurasi dari masing-masing algoritma yang digunakan serta membandingkan akurasi yang paling tinggi. Berdasarkan hasil tersebut dapat dilihat bahwa evaluasi performa metode yang menghasilkan nilai akurasi yang paling tinggi yaitu pada metode Support Vector Machine berbasis PSO dengan tingkat Accuracy = 92.70 % dan AUC = 0, 975. Sehingga dapat disimpulkan bahwa penerapan optimasi yang terbaik ada pada model ini adalah Support Vector Machine berbasis Particle Swarm Optimization (PSO) dapat memberikan solusi terhadap permasalahan klasifikasi pada kasus analisis sentimen e-learning pada google play pada aplikasi Microsoft Teams.

 

 

 

 

 

Kata kunci:

E-learning, Microsoft Teams , Algoritma Support Vector Machine, Naive Bayes, k-Nearest Neighbor, Particle Swarm Optimization dan Ensemble Feature Vote

KATA KUNCI

Data Mining,E-learning,multiple,Algoritma

---

DAFTAR PUSTAKA

DAFTAR REFERENSI

[1]      S. Harnani, “Efektivitas Pembelajaran Daring Di Masa Pandemi Covid-19. BDK Jakarta Kemenag,” 2020. https://bdkjakarta.kemenag.go.id/berita/efektivitas-pembelajarandaring-di-masa-pandemi-covid-19.

[2]      N. S. dkk. (2020) Gani, Covid 19 Dalam Bingkai Komunikasi. 2020.

[3]      M. Gheytasi, A. Azizifar, and H. Gowhary, “The Effect of Smartphone on the Reading Comprehension Proficiency of Iranian EFL Learners,” Procedia - Soc. Behav. Sci., vol. 199, no. June, pp. 225–230, 2015, doi: 10.1016/j.sbspro.2015.07.510.

[4]      R. M. RC Clark, E-learning and the science of instruction. 2016.

[5]      A. P. Giovani, T. Haryanti, and L. Kurniawati, “Analisis Sentimen Aplikasi Ruang Guru Di Twitter Menggunakan Algoritma Klasifikasi,” vol. 14, no. 2, pp. 116–124, 2020.

[6]      S. A. S. Dkk, “Microsoft Teams Teams For Education Sebagai Media Pembelajaran,” vol. 02, no. 01, pp. 30–35, 2020.

[7]      A. G. Buntoro, “Analisis Sentimen Calon Gubernur DKI Jakarta 2017 di Twitter,” Integer J., vol. Vol 2 No 1, 2017.

[8]      D. Anjani, “Bab II Landasan Teori Text Mining,” 2015, doi: ISBN: 978-979-3649-96-2.

[9]      R. dan S. R. Maulana, “Analisis Sentimen Pengguna Twitter Menggunakan Metode Support Vector Machine Berbasis Cloud Computing,” J. TAM (Technology Accept. Model., vol. 6, 2016.

[10]    M. A. Rofiqoh, U., Perdana, S.P., Fauzi, “Analisis Sentimen Tingkat Kepuasan Pengguna Penyedia Layanan Telekomunikasi Seluler Indonesia Pada Twitter Dengan Metode Support Vector Machine dan Lexicon Based

Features,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., 2017.

[11]    U. Rofiqoh, R. S. Perdana, and M. A. Fauzi, “Analisis Sentimen Tingkat Kepuasan Pengguna Penyedia Layanan Telekomunikasi Seluler Indonesia Pada Twitter Dengan Metode Support Vector Machine dan Lexion Based Feature,” J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 1, no. 12, pp. 1725–1732, 2017, [Online]. Available: http://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/628.

[12]    Y. T. Arifin, “Komparasi Fitur Seleksi Pada Algoritma Support Vector Machine Untuk Analisis Sentimen Review,” J. Inform. UBSI, vol. 3, no. September, pp. 191–199, 2016.

[13]    H. Hashimi, H., Hafez, A., & Mathkour, “Selection Criteria For Text Mining Approaches,” Comput. Human Behav., vol. 51, pp. 729–733, 2015, [Online]. Available: https://doi.org/10.1016/J.Chb.2014.10.06.

[14]    T. Jo, “Text Mining. Springer, Cham,” 2018, [Online]. Available: https://doi.org/10.1016/B978-0-12-396963-7.00010-6.

[15]    E. Indrayuni, “Komparasi Algoritma Naive Bayes Dan Support Vector Machine Untuk Analisa Sentimen Review Film,” J. Pilar Nusa Mandiri, vol. 14, no. 2, p. 175, 2018, doi: 10.33480/pilar.v14i2.918.

[16]    D. I. Sartika, D., Sensuse, “Perbandingan Algoritma Klasifikasi Naive Bayes , Nearest Neighbour , Dan Decision Tree Pada Studi Kasus Pengambilan Keputusan Pemilihan Pola Pakaian,” J. Tek. Inform. Dan Sist. Inf., vol. 1(2), pp. 151–161, 2017.

[17]    Suyanto, “Data mining Untuk Klasifikasi Dan Klasterisasi Data,” Inform. Bandung, 2017.

[18]    N. T. Romadloni, I. Santoso, S. Budilaksono, M. I. Komputer, and C. Folding, “Perbandingan Metode Naive Bayes , KNN Dan Decision Tree Terhadap Analisis Sentimen Transportasi KRL,” vol. 3, no. 2, pp. 1–9, 2019.

[19]    A. N. Siddiqua, U. A., Ahsan, T. & Chy, “Combining a Rule-based Classifier with Ensemble of Feature Sets and Machine Learning Techniques for Sentiment Analysis on Microblog,” IEEE, pp. 304–309, 2016.

[20]    L. dan O. M. Rokach, “Data mining With Decision Trees Theory and Applications 2nd Edition,” Am.  World Sci. Publ., 2015.

[21]    Tim Office 365, “Menggunakan Microsoft Teams untuk Kelas Online (Remote Learning),” 2020. https://365.telkomuniversity.ac.id/menggunakan-microsoft-teams-untuk-kelas-online-remote-learning/.

[22]    L. A. Utami, “Melalui Komparasi Algoritma Support Vector Machine Dan K-Nearest Neighbor Berbasis Particle Swarm Optimization,” vol. 13, no. 1, pp. 103–112, 2017.