Analisis Sentimen Dompet Elektronik Pada Twitter Menggunakan Metode K-Means

  • Nova Ferawati Purba Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Methodist Indonesia, Medan
  • Sri Agustina Rumapea Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Methodist Indonesia, Medan
  • Arina Prima Silalahi Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Methodist Indonesia

Abstract

Abstrak


Saat ini penggunaan dompet elektronik untuk transaksi non-tunai semakin berkembang pesat. Hal ini dikarenakan kemudahan dan kepraktisan transaksi yang ditawarkan oleh penyedia layanan dompet elektronik. Oleh karena itu, dalam penelitian ini akan dilakukan analisis tentang sentimen masyarakat terhadap dompet elektronik untuk mendapatkan tolak ukur seberapa jauh masyarakat mengetahui dompet elektronik. K-Means merupakan metode pengklasteran secara partitioning yang memisahkan data ke dalam kelompok yang berbeda. Dengan partitioning secara iteratif, K-Means mampu meminimalkan rata-rata jarak setiap data ke klasternya. Metode K-Means digunakan sebagai pendekatan analisis untuk mengelompokkan dan mengevaluasi pola sentimen yang muncul dalam percakapan online. Davies bouldin index (DBI) adalah matriks untuk mengevaluasi atau mempertimbangkan hasil algoritma clustering. DBI suatu cluster akan dianggap memiliki skema clustering yang optimal adalah yang memiliki DBI minimal. Hasil dari penelitian ini berupa jumlah sentimen positif 203 data, jumlah sentimen negatif 50 data dan jumlah sentimen netral 224 data kemudian metode K-means menghasilkan sentimen positif dompet elektronik Gopay sebanyak 63.801%, Ovo 56.951% dan untuk Dana sebanyak 27.907%. Penggunaan DBI untuk mengukur sejauh mana pengelompokan data yang dihasilkan oleh algoritma clustering tertentu adalah pengelompokan yang baik atau valid. Semakin kecil nilai DBI, semakin baik kualitas pengelompokan yang diperoleh.


 


Kata kunci: Twitter, Sentimen, K-Means, Dompet digital.

References

[1] “Pengukuran Penerimaan Pengguna Dompet Elektronik Berbasis Server D,” no. [1].
[2] L. Angelica and U. Soebiantoro, “Analisa menggunakan dompet digital,” J. Manaj., vol. 14, no. 2, pp. 232–238, 2022, doi: 10.30872/jmmn.v14i2.11209.
[3] E. S. Basryah, A. Erfina, and C. Warman, “Analisis Sentimen Aplikasi Dompet Digital Di Era 4.0 Pada Masa Pendemi Covid-19 Di Play Store Menggunakan Algoritma Naive Bayes Classifier,” SISMATIK (Seminar Nas. Sist. Inf. dan Manaj. Inform. Univ., vol. 1, no. 1, pp. 189–196, 2021.
[4] “BAB I,” pp. 1–11.
[5] M. M. Rizki, “Analisis Sentimen Terhadap Produk Otomotif Dari Twitter Menggunakan Kombinasi Algoritma K-Nearest Neighbor dan Pendekatan Lexicon (Studi Kasus: Mobil Toyota),” Repository.Uinjkt.Ac.Id, pp. 1–127, 2019, [Online]. Available: http://repository.uinjkt.ac.id/dspace/handle/123456789/48643
[6] M. W. A. Putra, Susanti, Erlin, and Herwin, “Analisis Sentimen Dompet Elektronik Pada Twitter Menggunakan Metode Naïve Bayes Classifier,” IT J. Res. Dev., vol. 5, no. 1, pp. 72–86, 2020, doi: 10.25299/itjrd.2020.vol5(1).5159.
[7] S. S. Salim and J. Mayary, “Analisis Sentimen Pengguna Twitter Terhadap Dompet Elektronik Dengan Metode Lexicon Based Dan K – Nearest Neighbor,” J. Ilm. Inform. Komput., vol. 25, no. 1, pp. 1–17, 2020, doi: 10.35760/ik.2020.v25i1.2411.
[8] M. A. Z. Larasati, N. A. S. Winarsih, M. S. Rohman, and G. W. Saraswati, “Penerapan Metode K-Means Clustering Dalam Menganalisis Sentimen Masyarakat Terhadap K-Popers Pada Twitter,” Progresif J. Ilm. Komput., vol. 18, no. 2, p. 201, 2022, doi: 10.35889/progresif.v18i2.877.
Published
2024-05-01
How to Cite
PURBA, Nova Ferawati; RUMAPEA, Sri Agustina; SILALAHI, Arina Prima. Analisis Sentimen Dompet Elektronik Pada Twitter Menggunakan Metode K-Means. JITTER : Jurnal Ilmiah Teknologi dan Komputer, [S.l.], v. 5, n. 1, p. 2100-2109, may 2024. ISSN 2747-1233. Available at: <https://ojs.unud.ac.id/index.php/jitter/article/view/112680>. Date accessed: 13 nov. 2024. doi: https://doi.org/10.24843/JTRTI.2024.v05.i01.p04.

Most read articles by the same author(s)

Obs.: This plugin requires at least one statistics/report plugin to be enabled. If your statistics plugins provide more than one metric then please also select a main metric on the admin's site settings page and/or on the journal manager's settings pages.