ANALISIS SENTIMEN APLIKASI SHOPEEPAY MENGGUNAKAN NAÏVE BAYES DAN PEMODELAN TOPIK LATENT DIRICHLET ALLOCATION

Dinda Fatimah Sarah; Ulfa Khaira; Mutia Fadhila Putri

doi:10.46576/djtechno.v6i2.6586

ANALISIS SENTIMEN APLIKASI SHOPEEPAY MENGGUNAKAN NAÏVE BAYES DAN PEMODELAN TOPIK LATENT DIRICHLET ALLOCATION

Dinda Fatimah Sarah, Ulfa Khaira, Mutia Fadhila Putri

Abstract

Abstrak

Gerakan Nasional Non-Tunai (GNNT) yang diluncurkan oleh Bank Indonesia telah mendorong pertumbuhan signifikan dalam penggunaan e-wallet sebagai alat pembayaran digital. ShopeePay menjadi salah satu platform dominan dengan penetrasi pasar mencapai 68%. Penelitian ini bertujuan untuk menganalisis sentimen pengguna terhadap aplikasi ShopeePay serta menginterpretasi topik-topik sentimen yang dominan dalam ulasan pengguna. Metode yang digunakan adalah analisis sentimen dengan algoritma Naïve Bayes dan pemodelan topik menggunakan Latent Dirichlet Allocation (LDA) berdasarkan data ulasan Google Play Store periode Januari–Desember 2024. Hasil analisis menunjukkan akurasi model sebesar 89,70% dengan precision 82%, recall 86%, dan F1-score 84%. Dari 2.811 ulasan hasil preprocessing, model memprediksi 2.183 ulasan positif, sedangkan 628 ulasan negatif. Analisis topik mengungkap bahwa pengguna puas dengan kemudahan transaksi, keandalan sistem, dan kualitas layanan dengan koherensi 0,5157 pada kelompok topik 7, sementara keluhan utama terkait masalah teknis akun dan layanan pinjaman dengan nilai koherensi 0,3453 pada kelompok topik 10. Temuan ini memberikan rekomendasi bagi pengembang untuk meningkatkan kualitas layanan terkait penanganan isu teknis dan fitur pinjaman.

Kata Kunci: ShopeePay, Naïve Bayes, Latent Dirichlet Allocation, Analisis sentimen

Full Text:

PDF

References

Bank Indonesia, “Elektronifikasi,” BankIndonesia. Accessed: Nov. 19, 2024. [Online]. Available: https://www.bi.go.id/id/fungsi-utama/sistem-pembayaran/ritel/elektronifikasi/default.aspx

Asosiasi Penyelenggara Jasa Internet Indonesia, “Survei Penetrasi Internet Indonesia 2024,” Feb. 2024. Accessed: Oct. 17, 2024. [Online]. Available: https://apjii.or.id/berita/d/apjii-jumlah-pengguna-internet-indonesia-tembus-221-juta-orang

Jakmin, “Metode Pembayaran Mana yang Paling Populer untuk Membeli Makanan?,” https://jakpat.net/info/metode-pembayaran-mana-yang-paling-populer-untuk-membeli-makanan/. Accessed: Oct. 18, 2024. [Online]. Available: https://jakpat.net/info/metode-pembayaran-mana-yang-paling-populer-untuk-membeli-makanan/

B. Liu, “Sentiment Analysis and Opinion Mining,” Morgan & Claypool Publishers, 2012.

A. Wanto et al., Data Mining : Algoritma dan Implementasi. YayasanKitaMenulis, 2020.

M. I. Fikri, T. S. Sabrila, and Y. Azhar, “Perbandingan Metode Naïve Bayes dan Support Vector Machine pada Analisis Sentimen Twitter,” SMATIKA JURNAL, vol. 10, no. 02, pp. 71–76, Dec. 2020, doi: 10.32664/smatika.v10i02.455.

N. L. P. Merawati, A. Z. Amrullah, and Ismarmiaty, “Analisis Sentimen dan Pemodelan Topik Pariwisata Lombok Menggunakan Algoritma Naive Bayes dan Latent Dirichlet Allocation,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 5, no. 1, pp. 123–131, Feb. 2021, doi: 10.29207/resti.v5i1.2587.

E. S. Asyhar, S. H. Wijoyo, and N. Y. Setiawan, “Analisis Sentimen dan Pemodelan Topik Terhadap Ulasan Aplikasi Jenius Menggunakan Metode Support Vector Machine dan Latent Dirichlet Allocation,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 1, no. 1, pp. 1–10, Jan. 2017, Accessed: Nov. 17, 2024. [Online]. Available: https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/download/14100/6294/100083

F. Atmaja, Agussalim, and E. Dyar Wahyuni, “Analisis Sentimen Berbasis Aspek Pada Sistem Layanan Pengaduan Masyarakat Di Kota Surabaya Menggunakan Metode Latent Dirichlet Allocation Dan Naïve Bayes,” Jurnal Mahasiswa Teknik Informatika, vol. 9, no. 1, pp. 527–534, Feb. 2025, Accessed: Oct. 18, 2024. [Online]. Available: https://ejournal.itn.ac.id/index.php/jati/article/view/12438

C. D. Manning, P. Raghavan, and H. Schütze, An Introduction to Information Retrieval. England, 2009. Accessed: Mar. 06, 2025. [Online]. Available: https://nlp.stanford.edu/IR-book/pdf/irbookonlinereading.pdf

A. A. Putri, “Text Preprocessing,” GitHub. Accessed: Mar. 07, 2025. [Online]. Available: https://github.com/adeariniputri/text-preprocesing/blob/master/kamus.txt

F. Z. Tala, “A Study of Stemming Effects on Information Retrieval in Bahasa Indonesia,” Amterdam. Accessed: May 04, 2025. [Online]. Available: https://eprints.illc.uva.nl/id/eprint/740/1/MoL-2003-02.text.pdf

P. W. Rahayu et al., Buku Ajar Data Mining. PT. Sonpedia Publishing Indonesia, 2024. [Online]. Available: https://www.researchgate.net/publication/377415198

M. H. Widianto, “Algoritma Naive Bayes,” BinusUniversity.

M. P. Pulungan, A. Purnomo, and A. Kurniasih, “Penerapan SMOTE untuk Mengatasi Imbalance Class dalam Klasifikasi Kepribadian MBTI Menggunakan Naive Bayes Classifier,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 11, no. 5, pp. 1033–1042, Oct. 2024, doi: 10.25126/jtiik.2024117989.

A. F. Anjani, D. Anggraeni, and I. M. Tirta, “Implementasi Random Forest Menggunakan SMOTE untuk Analisis Sentimen Ulasan Aplikasi Sister for Students UNEJ,” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 9, no. 2, pp. 163–172, Sep. 2023, doi: 10.25077/teknosi.v9i2.2023.163-172.

C. Cahyaningtyas, Y. Nataliani, and I. R. Widiasari, “Analisis sentimen pada rating aplikasi Shopee menggunakan metode Decision Tree berbasis SMOTE,” AITI: Jurnal Teknologi Informasi, vol. 18, pp. 173–184, Aug. 2021, Accessed: Apr. 13, 2025. [Online]. Available: https://ejournal.uksw.edu/aiti/article/view/5151/2000

K. S. Nugroho, “Confusion Matrix untuk Evaluasi Model pada Supervised Learning,” Medium. Accessed: Nov. 18, 2024. [Online]. Available: https://ksnugroho.medium.com/confusion-matrix-untuk-evaluasi-model-pada-unsupervised-machine-learning-bc4b1ae9ae3f

K. Anam, A. R. Rinaldi, and Fathurrohman, “Komparasi Algoritma Machine Learning Dalam Klasifikasi Loyalitas Nasabah Bank Berbasis Particle Swarm Optimization,” Jurnal Mahasiswa Teknik Informatika, vol. 8, no. 4, pp. 8212–8218, Aug. 2024, Accessed: May 22, 2025. [Online]. Available: https://ejournal.itn.ac.id/index.php/jati/article/download/10941/6105/

R. Kulshrestha, “A Beginner’s Guide to Latent Dirichlet Allocation(LDA),” TowardDataScience. Accessed: Nov. 17, 2024. [Online]. Available: https://towardsdatascience.com/latent-dirichlet-allocation-lda-9d1cd064ffa2

F. Destiyanti, A. I. Hadiana, and F. R. Umbara, “Penerapan Metode Support Vector Machine dan SMOTE untuk Klasifikasi Sentimen Publik Terhadap Polisi Republik Indonesia,” JUMANJI, vol. 8, no. 1, pp. 1–15, Apr. 2024, Accessed: May 22, 2025. [Online]. Available: https://jumanji.unjani.ac.id/index.php/jumanji/article/view/336

DOI: https://doi.org/10.46576/djtechno.v6i2.6586