Perbandingan Support Vector Machine Dan Naïve Bayes untuk ulasan pengguna aplikasi seabank

Abstract

Aplikasi perbankan digital seperti Seabank, telah menjadi bagian dari kebutuhan kehidupan sehari-hari. Diluncurkan pada Februari 2021 oleh PT Bank Seabank Indonesia, Seabank telah meraih popularitas yang signifikan. Penggunaan aplikasi ini menghasilkan sejumlah besar ulasan yang mencerminkan sentimen pengguna terkait dengan kinerja, layanan dan keamanan aplikasi. Memahami sentimen positif, netral, dan negatif dari ulasan pengguna. Seabank memungkinkan untuk mendapatkan wawasan tentang tingkat kepuasan pelanggan, kelemahan aplikasi, dan area perbaikan yang diperlukan. Penelitian ini bertujuan untuk membandingkan kinerja dua algoritma klasifikasi, yaitu Support Vector Machine (SVM) dan Naïve Bayes, dalam mengklasifikasikan sentimen ulasan Seabank. Pengujian dilakukan dengan menggunakan 3789 data, dengan pembagian rasio 80% pelatihan dan 20% pengujian. Hasil pelabelan menggunakan Google Colab menunjukkan adanya 438 sentimen positif, 1379 sentimen netral, dan 77 sentimen negatif. Sedangkan hasil pelabelan oleh ahli bahasa menunjukkan jumlah 1100 sentimen positif, 308 sentimen netral, dan 486 sentimen negatif. Hasil pengujian akurasi menggunakan konfusi matriks menunjukkan bahwa algoritma Support Vector Machine memiliki nilai akurasi tertinggi sebesar 63%, sedangkan algoritma Gaussian Naïve Bayes memiliki nilai terendah sebesar 30%. Dengan demikian, dapat disimpulkan bahwa model SVM lebih efektif dalam mengklasifikasikan sentimen ulasan pengguna aplikasi Seabank daripada model Naïve Bayes.