Seleksi Fitur Information Gain pada Analisis Sentimen Terhadap Ulasan Aplikasi Flip dengan Algoritma Support Vector Machine

Abstract

Flip merupakan aplikasi untuk melakukan transfer antar bank berbeda tanpa dikenakan biaya serta menyediakan jasa pembelian pulsa serta paket data yang umumnya bekerja sebagai jembatan transaksi antar bank berbeda. Ulasan yang diberikan pengguna aplikasi Flip banyak berisi opini yang membangun maupun mengkritik yang dapat dijadikan masukan bagi pengembang aplikasi Flip. Tujuan dilakukannya penelitian ini adalah untuk membangun model klasifikasi sentimen menggunakan metode Support Vector Machine dan seleksi fitur Information Gain terhadap ulasan aplikasi Flip pada layanan Google Play. Dalam penelitian ini, ulasan akan dibagi menjadi dua kategori yakni positif dan negatif berdasarkan pelabelan manual oleh 3 penilai, yang kemudian dilakukan preprocessing, seleksi fitur, serta pembagian data sebesar 80% data train dan 20% data test sebelum pembuatan model. Terdapat dua model yakni model tanpa seleksi fitur (model SVM) dan model dengan seleksi fitur (model SVM-IG). Hasil evaluasi menunjukkan akurasi sebesar 91.97%, presisi sebesar 95.53%, recall sebesar 91.45%, dan AUC sebesar 0.9215 yang tergolong sangat baik untuk model SVM, sedangkan untuk model SVM-IG yakni akurasi sebesar 96.25%, presisi sebesar 99.10%, recall sebesar 94.87%, dan AUC sebesar 0.9672 yang tergolong sangat baik.