Analisis Sentimen Dan Clustering Pada Pengguna Tiket.Com Menggunakan Metode Naïve Bayes Classifier Dan Support Vector Machine

Yuniar, Iga Amalia (2023) Analisis Sentimen Dan Clustering Pada Pengguna Tiket.Com Menggunakan Metode Naïve Bayes Classifier Dan Support Vector Machine. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6032212117-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (2MB) | Request a copy

Abstract

Tiket.com adalah perusahaan agen untuk pelayanan perjalanan daring yang berbasis website dan aplikasi untuk mobile phone atau perangkat desktop. Aplikasi tiket.com juga disebut sebagai pionir online travel agent (OTA) terbesar di Indonesia yang selalu memberikan inovasi handal untuk mempermudah pengguna ketika memesan tiket pesawat online, selain itu aplikasi ini melayani pesanan untuk penginapan, sewa mobil maupun menawarkan berbagai macam aktifitas hiburan dan menjadi satu-satunya mitra resmi PT Kereta Api Indonesia. Penelitian ini melakukan penelitian dengan topik analisis sentimen terhadap pengguna tiket.com. Dengan bantuan analisis sentimen, informasi yang sebelumnya tidak terstruktur dapat dirubah menjadi data yang lebih terstruktur. Selain itu sistem analisis sentimen ini dapat membantu perusahaan dalam memahami keinginan pelanggan berdasarkan review atau umpan balik pelanggan yang tulus dan spesifik untuk meningkatkan kualitas produk dan layanan perusahaan. Penelitian ini melakukan perbandingan hasil analisis sentimen pengguna tiket.com dengan menggunakan metode Naïve Bayes Classifier dan Support Vector Machine untuk membandingkan tingkat akurasi yang lebih akurat. dan mengelompokkan review pengguna yang mana memberikan respon positif atau negatif. Akurasi terbaik diperoleh dari klasifikasi dengan menggunakan algoritma Support Vector Machine Kernel RBF dengan indikator kinerja dengan menggunakan akurasi sebesar 93,1%, AUC sebesar 64,3% dan GMean sebesar 53,5%. dan dengan berdasarkan analisis Cluster K-means terdapat 2 kelompok opini yang terbentuk yaitu opini bersentimen positif, negatif.
=================================================================================================================================
Tiket.com is an online travel agent company which is website based and an application for mobile phone or desktop. Tiket.com is also known as the pioneer of the biggest online travel agent (OTA) in Indonesia which always provides reliable innovation to make users easier when they order a plane online, this application also provides accommodation, rent car or any other entertainment and became the only official partner for PT. Kereta Api Indonesia. This study conducts research on sentiment analysis towards users of tiket.com users. By using sentiment analysis, the unstructured information can be transformed to well-structured data. Besides, this sentiment analysis system can help the company to figure out what users want based on honest and specific reviews to approve quality of the product and company services. Researchers want to compare the result of sentiment analysis of tiket.com users by using the methods of Naive Bayes Classifier and Support Vector Machine. This research is done by comparing the accuracy level of the methods so can get the method with the most accurate analysis result. And cluster user reviews based on their positive, and negative responses using K-Means clustering analysis. The best accuracy is obtained from classification by using Support Vector Machine kernel RBF algorithm with performance indicator by using accuracy as 93,1%, AUC as 64,3% and G-mean as 53,5%. Based on the K-means clustering analysis, two opinion clusters have been formed, namely positive sentiment, negative sentiment.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Naïve Bayes Classifier, Support Vector Machine, K-Means, tiket.com
Subjects:	Q Science > QA Mathematics > QA278.55 Cluster analysis T Technology > T Technology (General) > T57.8 Nonlinear programming. Support vector machine. Wavelets. Hidden Markov models.
Divisions:	Interdisciplinary School of Management and Technology (SIMT) > 61101-Master of Technology Management (MMT)
Depositing User:	Iga Amalia Yuniar
Date Deposited:	27 Jul 2023 06:05
Last Modified:	27 Jul 2023 06:05
URI:	http://repository.its.ac.id/id/eprint/100403

Actions (login required)

View Item