Microsoft Word - x. 5159-Article Text-15266-1-11-20200630.docx IT Journal Research and Development (ITJRD) Vol.5, No.1, Agustus 2020, pp. 72 – 86, E-ISSN : 2528-4053 | P-ISSN: 2528-4061 DOI : 10.25299/itjrd.2020.vol5(1).5159 72 Journal homepage: http:/journal.uir.ac.id/index.php/ITJRD Analisis Sentimen Dompet Elektronik Pada Media Sosial Twitter Menggunakan Naïve Bayes Classifier M. Wino Adi Putra1, Susanti2, Erlin3, Herwin4 Program Studi Teknik Informatika, STMIK AMIK Riau1,2,3,4 muhammadwinoa@gmail.com1, susanti@sar.ac.id2, erlin@sar.ac.id3, herwin@sar.ac.id4 Article Info Abstrak History : Dikirim 20 Juni 2020 Direvisi 26 Juni 2020 Diterima 14 Juli 2020 Twitter selain sebagai media sosial untuk berinteraksi dengan teman di dunia maya ternyata juga bisa menjadi suatu media untuk melakukan penelitian. Banyak peneliti menjadikan twitter sebagai wadah untuk melakukan penelitian baik berupa social network analysis ataupun analisis sentimen. Dompet elektronik merupakan salah satu hasil perkembangan teknologi bidang transaksi online. Kompleksitas kegiatan masyarakat membuat mereka mencari suatu media pembayaran yang cepat dan aman. Perekembangan dompet elektronik di Indonesia bisa dibilang sangat pesat, karena semakin banyaknya masyarakat yang menggunakan dompet elektronik seperti GoPay, OVO dan Dana. Banyaknya tawaran keuntungan menjadi nilai lebih bagi masyarakat untuk menggunakan dompet elektronik tersebut. Penelitian ini bertujuan untuk menganalisa tanggapan masyarakat atas hadirnya berbagai aplikasi dompet elektronik di Indonesia dengan mengklasifikasikannya kedalam tiga kelas yakni positif, negatif dan netral dengan menggunakan metode Naïve Bayes dan menggunakan perangkat lunak rapidminer untuk menganalisisa suatu sentimen ataupun sejenisnya dengan melewati suatu proses preprocessing. Data diperoleh secara langsung dari situs microblogging twitter dengan hashtag pencarian #GoPay, #OVO dan #Dana, dari data tersebut, diambil 100 data dengan rincian 70 data latih dan 30 data uji. Hasil penelitian ini menunjukkan bahwa dompet elektronik GoPay lebih banyak dinilai positif oleh pengguna twitter yaitu sebesar 46,67% diikuti oleh Dana sebesar 37,50% dan OVO sebesar 16,67%. Dompet elektronik OVO memiliki nilai negatif yang lebih tinggi yaitu sebesar 63,33% diikuti oleh GoPay sebesar 53,33% dan Dana sebesar 30,00%. Penelitian ini memberikan bukti empiris dan merekomendasikan kepada masyarakat mengenai pemilihan dompet elektronik yang tersedia berdasarkan hasil uji coba sekaligus bisa dijadikan bahan analisis sebelum menjatuhkan pilihan kepada salah satu dompet elektronik tersebut. Kata Kunci : Analisis Sentimen Dompet Elektronik Naïve Bayes Classifier Twitter © This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License. Koresponden: M. Wino Adi Putra Program Studi Teknik Informatika STMIK Amik Riau Jl. Purwodadi Indah KM 10, Pekanbaru, Indonesia,28294 Email : muhammadwinoa@.com 1. PENDAHULUAN IT Jou Res and Dev, Vol.5, No.1, Agustus 2020 : 72 - 86 Wino, Analisis Sentimen Dompet Elektronik Pada Media Sosial Twitter Menggunakan Naïve Bayes Classifier 73 Era sekarang ini dibutuhkan sebuah aplikasi yang memiliki tingkat mobilitas yang tinggi. Hal itu disebabkan semakin kompleksnya kegiatan yang dimiliki oleh masyarakat. Hal tersebut juga berlaku untuk dunia usaha (niaga). Kemudahan bertransaksi membuat masyarakat beralih kepada metode pembayaran lainnya. Electronic Money (E-Money) menjadi suatu inovasi yang berasal dari perkembangan teknologi saat ini. Hal itu didukung oleh pencanangan yang dilakukan oleh Agus D. W. Martowrdojo selaku Gubernur Bank Indonesia yang dikenal dengan sebutan Gerakan Nasional Non Tunai (GNNT) [1]. Penggunaan dompet elektronik di Indonesia saat ini berkembang pesat seiring meningkatnya penggunaan perangkat smartphone oleh masyarakat Indonesia. Berdasarkan riset yang dirilis oleh iPrice Group yang berkolaborasi dengan App Annie, Dompet Elektronik mencatatkan total transaksi mencapai USD 1,5 Miliar (setara dengan Rp 21 Triliun) di tahun 2018 dan diprediksi meningkat di tahun 2023 dengan menyentuh angka USD 25 Miliar (setara dengan Rp 355 Triliun) dengan asumsi 1 dollar pada saat itu yaitu setara dengan Rp 14.222 [2]. Gambar 1. Penggunaan Dompet Elektronik di Indonesia Tahun 2019. Kemajuan dompet elektonik dapat juga dilihat dengan semakin banyaknya perbincangan masyarkat baik di dunia nyata maupun di dunia maya. Komunikasi melalui dunia maya dapat dilakukan dengan beberapa media sosial. Media sosial dapat dipahami sebagai kelompok jenis online baru media, yang memiliki sebagian besar atau semua karakteristik yaitu (1) partisipasi, (2) keterbukaan, (3) percakapan, (4) masyarakat, dan (5) keterhubungan [3]. Media sosial yang biasanya digunakan adalah Facebook, Twitter, Instagram dan media sosial lainnya. Twitter merupakan salah satu platform media sosial yang saat ini banyak digunakan oleh masyarakat dunia termasuk masyarakat Indonesia. Tak sedikit juga warga net menjadi twitter sebagai tempat untuk menuangkan sesuatu baik berupa hal positif maupun hal negatif. Analisis sentimen merupakan suatu metode dalam menghimpun komentar dan ualasan orang lain mengenai suatu hal seperti isu pada suatu jejaring sosial berbasis web [4]. Tak jarang ulasan-ulasan konsumen di media sosial sebagai bahan evaluasi bagi perusahaan agar memberikan pelayanan yang lebih baik kepada konsumen. Naïve Bayes Classifier merupakan suatu metode pengelompokan sesuatu dengan baik. Naïve Bayes melakukan proses pengelompokan dengan cara membagi dua buah data yakni data latih dan data uji [5]. Naïve Bayes juga dapat mengelompokan suatu opini seseorang terhadap suatu isu, apakah opini tersebut bersifat positif ataupun bahkan sebaliknya yang sedang berkembang di khalayak ramai. [6]. Penelitian yang dilakukan oleh Pintoko dan Muslim (2018) menemukan bahwa tingkat sentimen positif dari tweet masyarakat lebih besar dibandingkan dengan tingkat sentimen negatif terhadap penggunaan jasa transportasi online [7]. Kemudian penelitian yang dilakukan oleh Mahendrajaya, Buntoro dan Setyawan (2019) menemukan bahwa banyaknya pengguna twitter yang bersentimen positif terhadap GoPay menggunakan lexicon based [8]. Hal ini berbanding terbalik dengan penelitian Anggraini dan Suryono (2019) yang menemukan bahwa terdapat nilai sentimen positif yang lebih tinggi dan sentimen negatif yang lebih rendah pada aplikasi T-Cash 83,3 81,4 68,2 53 19,7 16,7 13,2 12,1 10,3 6,3 0 20 40 60 80 100 GOPAY OVO DANA LINKAJA DOKU JENIUS PAYTREN ISAKU SAKUKU UANGKU Pengguna (dalam Persen) IT Jou Res and Dev, Vol.5, No.1, Agustus 2020 : 72 - 86 Wino, Analisis Sentimen Dompet Elektronik Pada Media Sosial Twitter Menggunakan Naïve Bayes Classifier 74 dibandingkan GoPay [9]. Selanjutnya penelitian yang dilakukan oleh Saidah dan Mayary (2020) menunujukkan sentimen positif terbesar berdasarkan pengguna twitter terdapat pada dompet elektronik GoPay sebesar 94,05%, lalu OVO sebesar 86,91% dan terakhir adalah LinkAja sebesar 76,31% menggunakan metode Lexicon Based dan KNearest Neighbor [10]. Penelitian ini akan membahas mengenai analisis sentimen dompet elektronik yaitu GoPay, OVO dan Dana pada media sosial twitter menggunakan metode Naïve Bayes Classifier yang bertujuan untuk memberikan rekomendasi kepada masyarakat aplikasi dompet elektronik mana yang tepat untuk digunakan dalam kegiatan jual beli dikehidupan sehari-hari. 2. METODE PENELITIAN Tahapan proses penelitian yang dilakukan dalam penelitian ini digambarkan dalam sebuah alur metodologi penelitian seperti tertuang pada gambar 2. Gambar. 2. Alur Metodologi Penelitian. 2.1. Pengumpulan Data Pengumpulan data yang diambil secara langsung dari situs microblogging twitter dengan hashtag pencarian #GoPay, #OVO dan #Dana dengan memanfaatkan search Application Program Interface (API) yang disediakan oleh twitter. Kemudian setelah mendapatkan akses API key maka dapat dicari data yang diinginkan melalui fasilitas kolom pencarian di twitter yang berhubungan dengan penelitian ini. Dalam penelitian, data dibagi menjadi 3 kategori komentar yaitu komentar positif, negatif dan netral yang diberikan oleh pengguna twitter dalam bahasa Indonesia. Pada proses pengumpulan data dilakukan penarikan data dari twitter, diambil 100 data dengan rincian 70 data latih dan 30 data uji. 2.2. Tahapan Preprocessing Tahap preprocessing adalah langkah pertama untuk mengolah data yang berupa teks menjadi analisa sentimen. Pada proses perhitungan metode naive bayes akan dilakukan dengan contoh 4 data, 3 data sebagai data latih dan 1 sebagai data uji. Dari 3 data latih tersebut masing-masing mewakili klasifikasi sentimen yang ada yaitu positif, negatif dan netral. Proses secara menyeluruh IT Jou Res and Dev, Vol.5, No.1, Agustus 2020 : 72 - 86 Wino, Analisis Sentimen Dompet Elektronik Pada Media Sosial Twitter Menggunakan Naïve Bayes Classifier 75 yaitu menggunakan 100 data pada masing-masing dompet elektronik GoPay, OVO dan Dana akan dilakukan pada tahap selanjutnya. Pada tahap ini terdapat beberapa metode yang digunakan yaitu: 1. Cleansing adalah tahapan membersihkan dokumen dari komponen-komponen yang tidak memiliki hubungan dengan informasi yang ada pada dokumen, seperti karakter atau simbol, angka, emoticon dan link URL. Contoh proses pelaksanaan cleansing pada tahap preprocessing dapat dilihat pada tabel 1. Tabel 1. Contoh Proses Cleansing. Komentar Proses Hasil @enjipanges hi anggie, saat ini di dana sudah bisa bayar tagihan di Indiehome lho kak, kuy lgsg cek aplikasi. thanks. - FN- Cleansing hi anggie saat ini di dana sudah bisa bayar tagihan di Indiehome lho kak kuy lgsg cek aplikasi thanks 2. Case folding yaitu merubah bentuk kata menjadi bentuk dasarnya agar sebuah karakter dapat seragam (lower case). Contoh proses pelaksanaan case folding pada tahap preprocessing ini dapat dilihat pada tabel 2. Tabel 2. Contoh Proses Case Folding. Komentar Proses Hasil @enjipanges Hi Anggie, saat ini di DANA sudah bisa bayar tagihan di Indiehome lho Kak, kuy lgsg cek Aplikasi. Thanks. -FN- Case Folding @enjipanges hi anggie, saat ini di dana sudah bisa bayar tagihan di Indiehome lho kak, kuy lgsg cek aplikasi. thanks. -FN- 3. Tokenizer merupakan proses untuk memisahkan data teks menjadi beberapa token. Tokenizer secara garis besar memecah sekumpulan karakter dalam suatu teks menjadi suatu kata, bagaimana membedakan karakter-karakter tertentu yang dapat diperlakukan sebagai pemisah kata atau bukan. 4. Normalisasi yakni proses normalisasi merupakan untuk mengubah kata yang tidak baku atau sesuai ejaan, pada tahap ini dilakukan dengan menggunakan database kamus kata bahasa baku dan tidak baku yang dibuat sendiri berdasarkan dari data komentar yang digunakan. Contoh proses pelaksanaan tokenizer dan normalisasi pada tahap preprocessing ini dapat dilihat pada tabel 3. Tabel 3. Contoh Proses Tokenizer dan Normalisasi. Komentar Proses Hasil Komentar Proses Hasil hi anggie, saat ini di dana sudah bisa bayar tagihan di Indiehome lho kak, kuy lgsg cek aplikasi. Thanks. Tokenizer Hi Hi Normalisasi Hai Anggie Anggie Anggie Saat Saat Saat Ini Ini Ini Dana Dana Dana Sudah Sudah Sudah Bisa Bisa Bisa Bayar Bayar Bayar tagihan tagihan Tagihan indiehome indiehome indiehome Lho Lho Lho Kak Kak Kak Kuy Kuy Kuy Lgsg Lgsg Langsung Cek Cek Cek aplikasi aplikasi Aplikasi Thanks Thanks Thanks 5. Filtering merupakan proses membuang kata yang tidak penting dari proses tokenizing sebelumnya. Kata akan di stopword menggunakan database kamus KBBI V online IT Jou Res and Dev, Vol.5, No.1, Agustus 2020 : 72 - 86 Wino, Analisis Sentimen Dompet Elektronik Pada Media Sosial Twitter Menggunakan Naïve Bayes Classifier 76 berdasarkan jenis kata yang akan di stopword seperti kata keterangan, kata seru, kata ganti, kata depan dan kata hubung. 6. Stemming yaitu melakukan proses mencari kata dasar dari setiap kata hasil proses filtering sebelumnya. Stemming melakukan proses pengembalian berbagai bentukan kata menjadi bentukan kata dasar dengan menghilangkan imbuhan. Berikut merupakan hasil data komentar yang telah di Stemming. Contoh proses pelaksanaan filtering dan stemming pada tahap preprocessing ini dapat dilihat pada tabel 4. Tabel 4. Contoh Proses Filtering dan Stemming. Komentar Proses Hasil Komentar Proses Hasil Hai Filtering Hai Hai Stemming Hai Anggie Anggie Anggie Anggie Saat Saat Saat Saat Ini Dana Dana Dana Dana Sudah sudah Sudah Sudah Bisa bisa Bisa Bisa Bayar bayar Bayar Bayar tagihan tagih tagihan tagihan indiehome indiehome indiehome indiehome Kak kak Lho Kuy kuy Kak Kak langsung langsung Kuy Kuy Cek cek langsung langsung aplikasi aplikasi Cek Cek Thanks thanks aplikasi aplikasi Hai Hai Thanks Thanks Anggie Anggie 2.3. Proses Pembobotan Kata Proses pembobotan kata adalah proses mengubah kata menjadi bentuk angka atau vector, sedangkan TF (term frekuensi) merupakan untuk menentukan nilai frekuensi sebuah kata di dalam sebuah dokumen dan pemberian bobot pada setiap kata pada setiap dokumen untuk mencari dan menghitung berapa kali kata itu muncul. Contoh proses pembobotan kata pada penelitian ini dapat dilihat tabel 5. Tabel 5. Contoh Hasil Pembobotan Kata. No Term (t) TF No Term (t) TF POS NEG NET POS NEG NET 1 hai 1 0 0 14 aplikasi 1 1 0 2 anggie 1 0 0 15 thanks 1 0 0 3 saat 1 0 0 16 tidak 0 1 0 4 dana 1 1 0 17 telkom 0 1 0 5 sudah 1 0 0 18 via 0 1 0 6 bisa 1 1 1 19 misi 0 0 1 7 bayar 1 1 1 20 untuk 0 0 1 8 tagih 1 1 0 21 produk 0 0 1 9 indiehome 1 0 0 22 apa 0 0 1 10 kak 1 0 0 23 aja 0 0 1 11 kuy 1 0 0 24 pake 0 0 1 12 langsung 1 0 0 25 ovo 0 0 1 13 cek 1 0 0 TOTAL 15 8 9 IT Jou Res and Dev, Vol.5, No.1, Agustus 2020 : 72 - 86 Wino, Analisis Sentimen Dompet Elektronik Pada Media Sosial Twitter Menggunakan Naïve Bayes Classifier 77 2.4. Analisis Data Sebelum data diuji, data yang telah dikumpulkan dari sumbernya dalam hal ini yakni media sosial twitter akan dikelompokkan opini-opini sentimen masyarakat yang juga sebagai konsumen. Data yang akan digunakan terbagi dua yakni data latih dan data uji. 1. Data latih, adalah data yang sudah ada sebelumnya berdasarkan fakta yang sudah terjadi. Pada tahap ini, nilai pada data yang telah diketahui bobotnya akan dijadikan data latih sebagai acuan dalam membuat model klasifikasi. Kemudian akan dicari nilai probabilitas kategori dan probabilitas masing-masing kata pada setiap term untuk setiap kelas dari data latih. Pada tahap ini proses Naïve Bayes Classifier dilakukan. Adapun tahapan proses Naïve Bayes Classifier yaitu: a. Penentuan Prior Data Latih. Pertama hitung probabilitas setiap kategori (prior), pada penelitian ini yang menjadi kategori ada tiga yaitu kategori positif, negatif dan netral. P(Pos/Neg/Net) = d(Pos/Neg/Net) |c| P(Pos) = d(Pos) |c| = 1 3 P(Neg) = d(Neg) |c| = 1 3 P(Net) = d(Net) |c| = 1 3 Nilai 1/3 didapat berdasarkan klasifikasi sentimen yang dilakukan yaitu positif, negatif dan netral. b. Menghitung Probabilitas Data Latih Hitung probabilitas pada setiap term dari semua dokumen. jumlah keseluruhan term yang digunakan pada perhitungan ini sebanyak 32 (tabel 5), 15term kelas positif, 8term kelas negative dan 9term dari kelas netral. Jumlah banyak term merupakan tergantung dari hasil preprocessing data. Berikut adalah merupakan perhitungan probabilitas pada setiap term: P(𝑊!|Pos/Neg/Net) = (𝑛!,Pos/Neg/Net) + 1 (n,Pos/Neg/Net) + |kosakata| Diketahui: |kosakata| = 32 Term Positif = 15 Term Negatif = 8 Term Netral = 9 Misalnya Probabilitas kata “hai” P("hai"|"Pos") = ("hai"|"Pos") + 1 ("Pos") + |kosakata| = 1 + 1 15 + 32 = 0.042 Gunakan cara yang sama untuk menentukan probabilitas pada term negatif dan netral. Maka diperoleh probabilitas term positif adalah sebesar 0,042, negatif sebesar 0,025 dan netral 0,024. Hasil probabilitas kata pada data latih dapat dilihat pada tabel 6. Tabel 6. Hasil Probablitas Kata. No Term (t) Probabilitas No Term (t) Probabilitas POS NEG NET POS NEG NET 1 Hai 0.042 0.025 0.024 14 Aplikasi 0,042 0,050 0.024 2 Anggie 0,042 0.025 0.024 15 Thanks 0,042 0.025 0.024 3 Saat 0,042 0.025 0.024 16 Tidak 0,021 0.050 0.024 4 Dana 0,042 0.050 0.024 17 Telkom 0,021 0,050 0.024 5 Sudah 0,042 0.025 0.024 18 Via 0,021 0,050 0.024 6 Bisa 0,042 0,050 0.048 19 Misi 0,021 0.025 0.048 (1) (2) IT Jou Res and Dev, Vol.5, No.1, Agustus 2020 : 72 - 86 Wino, Analisis Sentimen Dompet Elektronik Pada Media Sosial Twitter Menggunakan Naïve Bayes Classifier 78 No Term (t) Probabilitas No Term (t) Probabilitas POS NEG NET POS NEG NET 7 Bayar 0,042 0,050 0.048 20 Untuk 0,021 0.025 0.048 8 Tagih 0,042 0,050 0.024 21 Produk 0,021 0.025 0.048 9 indiehome 0,042 0.025 0.024 22 Apa 0,021 0.025 0.048 10 Kak 0,042 0.025 0.024 23 Aja 0,021 0.025 0.048 11 Kuy 0,042 0.025 0.024 24 Pake 0,021 0.025 0.048 12 langsung 0,042 0.025 0.024 25 Ovo 0,021 0.025 0.048 13 Cek 0,042 0.025 0.024 Setelah mendapatkan seluruh nilai probalitasnya untuk setiap kata selanjutnya dilakukan pencarian data uji atau testing. 2. Data uji, adalah data yang sudah berkelas/berlabel yang digunakan untuk menghitung akurasi model klasifikasi. Langkah selanjutnya adalah: a. Pencarian Data Uji Pada proses ini akan dilakukan proses pengujian pada data uji menggunakan data uji pada proses training sebelumnya. Tweet untuk data uji dapat dilihat pada tabel 7. Tabel 7. Data Uji. No Dompet Komentar Kelas 1 Dana @danawallet Halo Admin, kalau bayar PDAM Kab. Bandung di aplikasi Dana gak bisa ya? b. Menghitung Probabilitas Data Uji Pada data uji di atas, selanjutnya dihitung nilai pobabilitas berdasarkan nilai probabilitas pada setiap term. Menghitung nilai probabilitas menggunakan metode Naive Bayes di data uji ini yaitu dengan mengalikan nilai probabilitas semua kategori dengan probabilitas pada setiap term yang diambil dari semua data latih. Sebelum melalui proses perhitungan, data uji terlebih dahulu akan melakukan proses text mining. Hasil data uji yang telah melalui proses preprocessing dapat dilihat pada tabel 8. Tabel 8. Hasil data uji yang telah melalui proses preprocessing. No Dompet Komentar Kelas 1 Dana halo admin kalau bayar pdam kab bandung aplikasi dana tidak bias Diketahui: |kosakata| = 32 Term Positif = 15 Term Negatif = 8 Term Netral = 9 Misalnya Probabilitas kata “bayar” P("bayar"|"Pos") = ("bayar"|"Pos") + 1 ("Pos") + |kosakata| = 0.042 + 1 15 + 32 = 0.022 Gunakan cara yang sama untuk menentukan probabilitas pada term negatif dan netral. Maka diperoleh probabilitas term positif adalah sebesar 0,022, negatif sebesar 0,026 dan netral 0,0245. Hasil dari proses perhitungan probabilitas dari data uji dapat dilihat pada tabel 9. Tabel 9. Hasil Probablitas Kata Uji. No Term (t) Probabilitas No Term (t) Probabilitas POS NEG NET POS NEG NET 1 Halo 0.021 0.025 0.024 7 bandung 0.021 0.025 0.024 IT Jou Res and Dev, Vol.5, No.1, Agustus 2020 : 72 - 86 Wino, Analisis Sentimen Dompet Elektronik Pada Media Sosial Twitter Menggunakan Naïve Bayes Classifier 79 No Term (t) Probabilitas No Term (t) Probabilitas POS NEG NET POS NEG NET 2 admin 0.021 0.025 0.024 8 aplikasi 0,022 0.026 0.024 3 kalau 0.021 0.025 0.024 9 dana 0,022 0.026 0.024 4 bayar 0,022 0.026 0.025 10 tidak 0,021 0.026 0.024 5 pdam 0.021 0.025 0.024 11 bisa 0,022 0.026 0.025 6 Kab 0.021 0.025 0.024 c. Melakukan Pehitungan Probabilitas Kategori Dari Data Uji. Tahap selanjutnya yaitu melakukan pehitungan probabilitas kategori dari data uji. P(Pos/Neg/Net|d) = P(Pos/Neg/Net) ∗ Π"P(𝑎"|Pos/Neg/Net) P(uji|Pos) = P(Pos) x P(halo | Pos) x P(admin | Pos) x P(kalau | Pos) x P(bayar | Pos) x P(pdam | Pos) x P(kab | Pos) x P(bandung | Pos) x P(aplikasi | Pos) x P(dana | Pos) x P(tidak | Pos) x P(bisa | Pos) P(uji|Pos) = 0.333 x 0.021 x 0.021 x 0.021 x 0.022 x 0.021 x 0.021 x 0.021 x 0.022 x 0.022 x 0.021 x 0.022 = 1,40498E-19/1,40498*10-19 Untuk pehitungan probabilitas term negatif dan netral dilakukan sama dengan perhitungan pada term positif, sehingga diperoleh nilai term positif sebesar 1,40498E- 19/1,40498*10-19, term negatif sebesar 9,65942E-19/9,65942*10-19 dan term netral sebesar 5,49826E-19/5,49826*10-19. Hasil dari perhitungan nilai probabilitas di atas didapat nilai tertinggi pada P(uji|Neg) yaitu sebesar 9,65942E-19/9,65942*10-19, sehingga hasil dari komentar pada data uji tersebut yang berbunyi “halo admin kalau bayar pdam kab bandung aplikasi dana tidak bisa” diklasifikasikan dalam kategori NEGATIF. Setelah data dikelompokkan kedalam data latih dan uji, maka hasil perhitungan pada kedua data tersebut dapat diuji dengan dengan 4 (empat) tahapan yaitu: 1. Accuracy, merupakan rasio prediksi benar (positif dan negatif) dengan keseluruhan data. 2. Precission, merupakan rasio prediksi benar positif dibandingkan dengan keseluruhan hasil yang diprediksi positf. 3. Recall (sensitifitas), merupakan rasio prediksi benar positif dibandingkan dengan keseluruhan data yang benar positif. 4. Specificity, merupakan kebenaran memprediksi negatif dibandingkan dengan keseluruhan data negatif. 2.5 Konsep Teori 2.5.1. Analisis Sentimen Analisis Sentimen merupakan salah satu disiplin ilmu dari data mining yang berguna untuk mengetahui opini/pendapat, reaksi dan komentar masyarakat tentang suatu produk, pelayanan publik, organisasi, dan suatu isu tertentu yang diungkapkan melalui teks [11]. Analisis Sentimen biasanya menentukan apakah opini/pendapat, komentar dari masyarakat terhadap suatu isu yang berkembang di masayarakat. Pada penelitian ini melakukan analisis sentimen terhadap produk- produk dompet elektronik yang sedang berkembang di Indonesia seperti GoPay, OVO dan Dana. 2.5.2. Dompet Elektronik Dompet elektronik adalah salah satu inovasi dari teknologi yang sangat pesat untuk melakukan transaksi jual beli ataupun perbankan [1]. Penggunaan dompet elektronik untuk penggunaan proses transaksi perniagaan di Indonesia menunjukkan perkembangan yang meningkat karena dinilai lebih praktis dan memiliki mobilitas yang tinggi. Banyaknya keuntungan yang ditawari oleh dompet elektronik seperti diskon dan cashback membuat masyarakat makin menggemari penggunaan dompet elektronik, hal itu juga sejalan dengan program yang dicanangkan (3) IT Jou Res and Dev, Vol.5, No.1, Agustus 2020 : 72 - 86 Wino, Analisis Sentimen Dompet Elektronik Pada Media Sosial Twitter Menggunakan Naïve Bayes Classifier 80 oleh Agus D.W. Martowardojo selaku Gubernur Bank Indonesia yaitu Gerakan Nasional Non Tunai (GNNT). 2.5.3. Twitter Twitter merupakan salah satu platform media sosial yang berfungsi untuk berkomunukasi dengan teman-teman didunia maya [4]. Twitter juga sering dijadikan sebagai media untuk mengeluarkan segala perasaan yang ada pada situasi terkini. Masyarakat sering mencurahkan segala isi hatinya baik senang maupun sedih di media sosial tidak terkecuali di twitter. Begitupun komentar mengenai suatu produk yang mereka gunakan seperti dompet elektronik. Pengguna media sosial twitter bisa menuliskan 140 buah karakter menjadi sebuah pesan atau saling berkomunikasi kepada kerabat atau bahkan keluarganya yang jauh. Kelebihan dari twitter ini yaitu tersedianya fasilitas API (Application Programming Interface) yang sangat baik, sehingga memudahkan penggunanya untuk memperoleh data dari media sosial tersebut. 2.5.4. Naïve Bayes Classifier Metode Naïve Bayes Classifier merupakan salah satu metode yang digunakan untuk melakukan pengelompokkan suatu opini dengan baik [5]. Naïve Bayes Classifier mampu mengelompokkan komentar orang-orang menjadi positif ataupun negatif terhadap suatu produk atau isu yang sedang berkembang di khalayak ramai. Metode Naïve Bayes Classifier bermula dari teorema Bayes yaitu memprediksi peluang dimasa yang akan datang dan datanya diambil berdasarkan masa yang lalu [7]. Bentuk umum dari Naïve Bayes Classifier yang terdapat pada formula berikut ini: P (H|X)= P (X|H) P(H) P(X) Dimana: X = Data dengan kelas tidak dikenal H = Hipotesis data X adalah kelas khusus P (H|X) = Probabilitas hipotesis H didasarkan pada kondisi X P (H) = Probabilitas H P (X|H) = Probabilitas hipotesis X didasarkan pada kondisi H P (X) = Probabilitas X 2.5.5. Rapidminer Rapidminer merupakan salah satu alat/aplikasi yang digunakan dalam proses pengelompokkan suatu isu [12]. Perangkat lunak tersebut memudahkan penggunanya dalam meneliti suatu isu mengenai analisis sentiment ataupun sejenisnya yang berkaitan dengan klasifikasi sesuatu. Rapidminer mampu melakukan suatu proses preprocessing seperti cleansing, case folding, tokenizing, stopwords dan steming untuk melakukan analisa sentiment terhadap suatu hal yang ingin diteliti. 3. HASIL DAN PEMBAHASAN Data yang telah selesai dianalisa maka akan dapat diperoleh hasil berupa data kuantitatif yang berbentuk data nominal yang menunjukkan opini masyarakat selaku konsumen mengenai layanan jasa dompet elektronik. Penjelasan hasil implementasi perangkat lunak yang telah dibuat pada penelitian ini: 1. Proses Memasukan Data Pada proses memasukan data diambil dari data excel berupa data training dan data uji yang berisi kata-kata dari hasil pembobotan kata menggunakan ms. excel. Gambaran data kata dari file excel sebelum di masukan ke rapidminer sebagai data training dan uji dapat dilihat pada tabel 10. Tabel 10. Data Tweet dari Twitter. No Tweet Asli Label/Class Dompet 1 nah tau kan wkwkwkw Alhamdulillah teu kenal Positif GoPay (4) IT Jou Res and Dev, Vol.5, No.1, Agustus 2020 : 72 - 86 Wino, Analisis Sentimen Dompet Elektronik Pada Media Sosial Twitter Menggunakan Naïve Bayes Classifier 81 sareng mang dana,neng ovo,sareung pa gopay 2 wiosny Batur mah di simpen di gopay dana ovo da Abi mah teu tiasa Ari kitu teh hoyong kes wae Pami jajan teh Positif GoPay 3 "Bisnis pembayaran adalah proses alamiah dari setiap bisnis yang terkait ritel konsumen yang melibatkan transaksi jual beli. Bisnis ini akan mengandalkan volume untuk mendapat keuntungan." -@HandojoTriyanto http://bit.ly/2EAuwOd #TCash #Gopay Netral GoPay ............ ............ ............ 300 @sahabatalfamart belanja di Alfamart bisa bayar pakai aplikasi dana kah? Positif Dana Dari data tabel. 10 di atas maka akan dilakukan pemprosesan untuk mendapatkan nilai pembobotan kata per kata, seperti tertuang pada tabel 11. Tabel 11. Pembobotan Kata. Kata Class Tf Dompet tau Positif 1 GoPay kan Positif 3 GoPay u Positif 2 GoPay kenal Positif 1 GoPay neng Positif 1 GoPay bapak Positif 5 GoPay mah Positif 2 GoPay da Positif 1 GoPay ..... ..... .... ........... kah Positif 1 Dana 2. Pembuatan Proses Langkah selanjutnya adalah pembuatan setiap proses pada rapidminer yang terdiri dari data training, data testing atau uji, metode naive bayes, apply module dan performance-nya. Data yang di impor ke dalam rapidminer sebagai data training nantinya dapat dilihat pada Gambar 3. Gambar 3. Upload Data dalam format .csv. IT Jou Res and Dev, Vol.5, No.1, Agustus 2020 : 72 - 86 Wino, Analisis Sentimen Dompet Elektronik Pada Media Sosial Twitter Menggunakan Naïve Bayes Classifier 82 Data yang di import dalam format .csv dan setting pada bagian header ubah “change role” pada header class menjadi “Label” karena class akan digunakan sebagai hasil klasifikasi, seperti terlihat pada gambar 4 pada halaman selanjutnya: Gambar 4. Mengubah data label pada kolom class. Setelah mengubah role menjadi label pada kolom class maka klik next dan simpan pada “Data” lalu klik finish. Lakukan juga untuk import data testing. Setelah proses impor data selesai selanjutnya melakukan proses design alur proses dan masukan proses lain seperti metode naive bayes dan performance, seperti terlihat pada gambar 5 berikut ini: Gambar 5. Menambah design apply model, performance dan naive bayes. Gambar di atas merupakan gambar hasil menambahkan : a. Apply model yang digunakan untuk menampung data hasil dari data training dan data testing. b. Naive bayes yang digunaan untuk perhitungan metode yang digunakan pada rapidminer. IT Jou Res and Dev, Vol.5, No.1, Agustus 2020 : 72 - 86 Wino, Analisis Sentimen Dompet Elektronik Pada Media Sosial Twitter Menggunakan Naïve Bayes Classifier 83 c. Performance yang digunakan untuk melihat hasil akurasi data dalam bentuk persentase dan dalam bentuk confidence. 3. Hasil Analisa Rapid Miner Setelah melakukan proses pada rapidminer, maka kita menguji data yang pertama yaitu dompet elektronik GoPay, tampilan hasil analisa GoPay dapat dilihat pada gambar 6 berikut ini. Gambar 6. Tampilan Hasil Analisa GoPay. Pada rapidminer juga dapat melihat hasil performa dari perhitungan naive bayes, sehingga hasil performa yang didapatkan dari hasil analisa naive bayes adalah 100%, seperti dapat dilihat pada gambar 7. Gambar 7. Tampilan Hasil Akurasi. Pada rapidminer juga dapat melihat hasil dalam grafik confidence (tingkat kepercayaan) dari perhitungan naive bayes, dan hasil grafik menunjukan data positif untuk GoPay lebih banyak. IT Jou Res and Dev, Vol.5, No.1, Agustus 2020 : 72 - 86 Wino, Analisis Sentimen Dompet Elektronik Pada Media Sosial Twitter Menggunakan Naïve Bayes Classifier 84 Sehingga dapat disimpulkan sentimen kepada GoPay dari data tweet bernilai POSITIF. Tampilan hasil grafik dari analisis ini dapat dilihat pada gambar 8. Gambar 8. Tampilan Hasil Grafik Analisa Langkah ini tetap sama dilakukan pada dompet elektronik OVO dan Dana, sehingga diketahui nilai sentimen pada ketiga dompet elektronik tersebut berdasarkan data tweet. Setelah dilakukan langkah-langkah tersebut, maka ditemukan bahwa hasil sebagai berikut: Tabel 13. Hasil Ketiga Pengujian. Dompet Elektronik Kelas True Pos True Neg True Net Precision Accuration GoPay Pred. Pos 0 0 0 00,00% 53,33% Pred. Neg 14 16 0 53,55% Pred. Net 0 0 0 00,00% Recall 0% 100,00% 0% OVO Pred. Pos 0 0 0 00,00% 66,67% Pred. Neg 5 19 5 65,52% Pred. Net 0 0 1 100,00% Recall 0% 100,00% 16,67% Dana Pred. Pos 0 0 0 00,00% 40,00% Pred. Neg 5 12 13 40,00% Pred. Net 0 0 0 00,00% Recall 0% 100,00% 0% Berdasarkan tabel 13 di atas hasil pengujian diatas, ditemukan bahwa dompet elektronik GoPay memiliki nilai sentimen positif lebih tinggi yaitu sebesar 46,67% dibandingkan Dana sebesar 37,50% dan OVO sebesar 16,67%. Lalu nilai sentimen negatif pada dompet elektronik OVO lebih tinggi yaitu sebesar 63,33% dibandingkan GoPay sebesar 53,33% dan OVO sebesar 30,00%. Nilai sentimen netral pada dompet elektronik Dana lebih tinggi yaitu sebesar 32,50% dibandingkan OVO sebesar 20,00% dan GoPay sebesar 0,00%. 4. KESIMPULAN Berdasarkan hasil pengujian dapat diambil beberapa kesimpulan sebagai berikut: IT Jou Res and Dev, Vol.5, No.1, Agustus 2020 : 72 - 86 Wino, Analisis Sentimen Dompet Elektronik Pada Media Sosial Twitter Menggunakan Naïve Bayes Classifier 85 1. Analisis sentimen pada dompet elektronik GoPay lebih banyak dinilai positif oleh pengguna twitter dibandingkan dompet elektronik lainnya yaitu OVO dan Dana 2. Analisis sentimen pada dompet elektronik OVO memiliki nilai negatif yang lebih tinggi dibandingkan dompet elektronik lainnya yaitu GoPay dan Dana. 3. Penelitian ini memberikan bukti empiris bahwa dompet elektronik GoPay lebih baik dibandingkan Dana dan OVO, sehingga memberikan rekomendasi bagi masyarakat untuk lebih menggunakan GoPay kegiatan jual beli dikehidupan sehari-hari. 4. Penelitian ini juga memberikan saran bagi perusahaan dompet elektronik untuk meningkatkan kualitas aplikasinya untuk meraih lebih banyak sentimen positif dari warga Indonesia, terkhususnya pada GoPay yang walaupun memiliki nilai sentimen yang positif lebih tinggi dibanding Dana dan OVO, namun memiliki nilai sentimen negatif yang tinggi. Oleh karena itu, dengan meningkatkan kualitas aplikasi dapat menekan tingginya sentimen negatif tersebut dan meningkatkan sentimen positif. UCAPAN TERIMA KASIH Penulis mengucapkan terima kasih kepada STMIK Amik Riau yang telah memberikan dukungan terhadap penelitian ini sehingga dapat terlaksana dengan baik. DAFTAR PUSTAKA [1] A. Anjelina, “Persepsi Konsumen Pada Penggunaan E-Money,” J. Appl. Manag. Account., vol. 2, no. 2, pp. 219–231, 2018. [2] Vivin Dian Devita, “Siapa Aplikasi E-wallet dengan Pengguna Terbanyak di Indonesia?,” 2019. . [3] A. Mayfield, What is Social Media? UK: iCrossing, 2008. [4] A. Alsaeedi and M. Z. Khan, “A study on sentiment analysis techniques of Twitter data,” Int. J. Adv. Comput. Sci. Appl., vol. 10, no. 2, pp. 361–374, 2019. [5] S. Suryono, E. Utami, and E. T. Luthfi, “Analisis Sentiment Pada Twitter Dengan Menggunakan Metode Naive Bayes Classifier,” Pros. Semin. Nas. Geotik 2019, pp. 9–15, 2018. [6] A. V. Sudiantoro and E. Zuliarso, “Analisis Sentimen Twitter Menggunakan Text Mining Dengan Algoritma NAÏVE BAYES CLASSIFIER,” Pros. SINTAK 2018, no. 2018, pp. 398–401, 2018. [7] B. M. Pintoko and K. M. L, “Analisis Sentimen Jasa Transportasi Online pada Twitter Menggunakan Metode Naïve Bayes Classifier,” e-Proceeding Eng., vol. 5, no. 3, pp. 8121– 8130, 2017. [8] R. Mahendrajaya, G. A. Buntoro, and M. B. Setyawan, “Analisis Sentimen Pengguna Gopay Menggunakan Metode Lexicon Based Dan Support Vector Machine,” Komputek, vol. 3, no. 2, p. 52, 2019. [9] N. Anggraini and H. Suroyo, “Comparison of Sentiment Analysis against Digital Payment ‘T-cash and Go-pay’ in Social Media Using Orange Data Mining,” J. Inf. Syst. Informatics, vol. 1, no. 2, pp. 152–163, 2019. [10] S. Saidah 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. [11] B. Liu, The essential of sentiment analysis and opinion mining in social media : IIntroduction and survey of the recent approaches and techniques, Second. USA: Chapman & Hall/CRC, 2010. [12] M. Mardalius, “Pemanfaatan Rapid Miner Studio 8.2 Untuk Pengelompokan Data Penjualan Aksesoris Menggunakan Algoritma K-Means,” Jurteksi, vol. 4, no. 2, pp. 123–132, 2018. IT Jou Res and Dev, Vol.5, No.1, Agustus 2020 : 72 - 86 Wino, Analisis Sentimen Dompet Elektronik Pada Media Sosial Twitter Menggunakan Naïve Bayes Classifier 86 BIOGRAFI PENULIS M. Wino Adi Putra is a student in Infromatics Engineering of STMIK Amik Riau since 2016. He has been a government employee in Riau Province since 2015. His current research interests include artificial intelligence. Susansti, S.Kom., M.IT obtained Bachelor Degree in Informatics Engineering from STMIK Amik Riau and obtained Master Degree in Information Technology from Universiti Kebangsaan Malaysia. She has been a Head of Department of Informatics Engineering, STMIK Amik Riau since 2016. Her current research interests include artificial intelligence and information retrieval. Dr. Erlin, S.Kom., M.Kom obtained Bachelor Degree in Information Management from SMTIK YPTK Padang, obtained Master Degree in Informatics Engineering from STTI Benarif Indonesia, and obtained Doctoral of Computer Science from Universiti Teknologi Malaysia. She has been a Head of STMIK Amik Riau since 2018. Her current research interests include soft computing and social network. Herwin, S.Kom., M.Kom obtained Bachelor Degree in Informatics Engineering from STMIK Amik Riau and obtained Master Degree in Information System from UPI YPTK Padan. He has been a Head of Laboratory in STMIK Amik Riau, since 2013. His current research interests include network and web programming.