Evaluasi Aplikasi Beacukai Mobile Berdasarkan Standar Iso 25010 Menggunakan Klasifikasi Ulasan Pengguna Dengan Metode Naive Bayes dan SVM Berbasis Model Information Gain
Tahun 2025 · Penulis: Adam Dewandaru
Faculty of Computer Science, Universitas Jember
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Penelitian ini bertujuan untuk mengevaluasi aplikasi BeaCukai Mobile berdasarkan standar ISO/IEC 25010 dengan menggunakan analisis ulasan pengguna. Data ulasan diambil dari Google Play Store dan diklasifikasikan menggunakan algoritma Naive Bayes dan Support Vector Machine (SVM) yang dipadukan dengan teknik pemilihan fitur Information Gain. Studi ini membagi ulasan ke dalam beberapa kategori kualitas perangkat lunak, seperti Kesesuaian Fungsional, Kegunaan, Keamanan, dan kategori lainnya, serta menganalisis sentimen pengguna (positif dan negatif). Proses penelitian melibatkan tahap preprocessing data, seleksi fitur dengan Information Gain, dan evaluasi performa model menggunakan matriks konfusi, akurasi, recall, precision, dan F1-Score. Hasil penelitian menunjukkan bahwa: 1. Support Vector Machine: Setelah penerapan Information Gain, akurasi untuk klasifikasi kategori meningkat dari 97% menjadi 99%, dan mengalami peningkatan dari 94% menjadi 97% pada klasifikasi sentimen. 2. Naïve Bayes: Menunjukkan performa yang stabil dengan akurasi 84% baik sebelum maupun sesudah penerapan Information Gain. 3. Kombinasi Information Gain membantu meningkatkan pemahaman terhadap fitur-fitur yang paling informatif dalam dataset. Visualisasi data menggunakan wordcloud memberikan gambaran tentang topik yang sering dibahas pengguna, seperti masalah kompatibilitas, kegunaan, dan keamanan. Temuan ini memberikan wawasan penting bagi Direktorat Jenderal Bea dan Cukai (DJBC) untuk meningkatkan kualitas aplikasi, mempermudah akses layanan, dan mendukung transformasi digital di bidang kepabeanan dan cukai. Rekomendasi penelitian mencakup pengembangan metode feature selection tambahan dan penggunaan dataset yang lebih luas untuk meningkatkan akurasi dan keandalan algoritma klasifikasi di masa depan.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,832
Tahun 2026 · Penulis: Adini Regina Muchtar
Rancang Bangun Aplikasi Sistem Evaluasi Perangkat Lunak Menggunakan Aspect-Based Sentiment Analysis Dengan Standar Iso 25010
Meningkatnya jumlah ulasan pengguna di platform aplikasi seperti Google Play Store memberikan wawasan berharga mengenai kualitas perangkat lunak. Namun, menganalisis ulasan dalam jumlah besar secara manual tidaklah efisien, sementara peringkat bintang saja tid
- Cosine 0,819
Tahun 2025 · Penulis: Hefrilia Nur Afifah
Pengembangan Aplikasi Penilaian Kualitas Perangkat Lunak Berbasis ISO 25010 Menggunakan Pendekatan Sentimen dan Klasifikasi
Peningkatan kualitas layanan digital di lingkungan pendidikan tinggi menjadi hal penting dalam mendukung proses akademik yang efektif. Universitas Jember sebagai institusi pendidikan menyediakan aplikasi Sistem Informasi Terintegrasi (SISTER) untuk menunjang a
- Cosine 0,793
Tahun 2026 · Penulis: Fadil Agusta
Implementasi Model Hybrid Random Forest-Support Vector Machine untuk Prediksi Tingkat Kepuasan Pengguna Layanan Multi Lane Free Flow
Perkembangan teknologi transportasi di Indonesia telah menghadirkan sistem Multi-Lane Free Flow (MLFF) sebagai solusi pembayaran tol nirsentuh yang lebih efisien. Namun, keberhasilan penerapan teknologi ini sangat dipengaruhi oleh tingkat penerimaan masyarakat