Analisis Sentimen Dompet Elektronik Pada Twitter Menggunakan Metode K-Means
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
[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.