Implementasi Sentimen Analisis Pada Ulasan Pengguna Untuk Rekomendasi E-Wallet

Peningkatan tren dan penggunaan e-wallet sejak pandemi meningkat secara pesat sebagai metode pembayaran akibat dibatasinya aktivitas masyarakat. Calon pengguna menghabiskan banyak waktu dalam memilih karena sangat bergantung pada rekomendasi dari mulut ke mulut sebelum menggunakan suatu produk. Ulasan yang tersedia secara online terlalu banyak untuk dianalisis secara manual, sehingga dilakukan analisis sentimen untuk mengklasifikasikan ulasan tersebut. Dengan tujuan tersebut, penelitian ini membangun tiga model klasifikasi machine learning yaitu Multinomial Naïve Bayes, Jurafsky Naïve Bayes, dan Support Vector Machine untuk mengklasifikasikan sentiment ulasan pengguna e-wallet. Evaluasi model akan dilakukan untuk membandingkan hasil sentimen dari komposisi data latih dan data uji yang sama. Model Ensemble Hard Voting dengan Modifikasi dibangun untuk mengkombinasikan hasil prediksi dari ketiga model. Hasil pengujian menunjukkan bahwa model Multinomial Naïve Bayes memiliki tingkat akurasi tertinggi yang mencapai 80,3%, diikuti oleh model Ensemble Hard Voting dengan modifikasi mencapai 80,1%, Jurafsky Naïve Bayes mencapai 79,4% dan Support Vector Machine mencapai 79,2%. Namun demikian, model Ensemble Hard Voting dengan Modifikasi menunjukkan belum mampu meningkatkan performa akurasi yang lebih tinggi dibandingkan dengan model individual Multinomial Naïve Bayes. Dari hasil tersebut maka diputuskan menggunakan model Multinomial Naïve Bayes yang memiliki tingkat akurasi tertinggi dalam mengklasifikasikan sentimen ulasan pengguna untuk rekomendasi e-wallet.