Perbandingan Metode Decision Tree dan K-Nearest Neighbor Terhadap Ulasan Pengguna Aplikasi Mypertamina Menggunakan Confusion Matrix

Banyaknya kendaraan di Indonesia menjadikan Bahan Bakar Minyak (BBM) sangat penting, khususnya untuk mobil dan sepeda motor. Pemerintahan Indonesia bekerja sama dengan PT Pertamina Persero dan mengharuskan transaksi menggunakan aplikasi MyPertamina untuk memastikan bahwa subsidi BBM diberikan secara tepat sasaran. Akan tetapi aplikasi MyPertamina mendapatkan beragam tanggapan dan kritik dari pengguna, seperti keluhan mengenai bug yang sering muncul, ketidakstabilan aplikasi saat digunakan dan kesulitan dalam proses pendaftaran atau login. Tanggapan pengguna mengenai aplikasi ini mencuat, baik positif maupun negatif. Pengguna pun memberikan penilaian dan ulasan mereka di Google Play Store. Tujuan dari riset ini yaitu menganalisis opini komentar user aplikasi MyPertamina dan membandingkan akurasi dari algoritma Decision Tree dan K-Nearest Neighbor. Riset ini mencakup proses scraping, text preprocessing, pembobotan, penerapan algoritma dan evaluasi. Data yang digunakan diperoleh dari Google Play Store sebanyak 10.000 data berdasarkan ulasan terbaru, setelah pembersihan data seperti menghapus data duplikat dan missing value diperoleh 8.072 ulasan. Data kemudian dikelompokkan menjadi kelas positif (2.506 ulasan) dan kelas negatif (5.566 ulasan), dengan jumlah data negatif lebih banyak. Berdasarkan hasil klasifikasi menggunakan metode Decision Tree dan K-NN diketahui bahwa metode Decision Tree memiliki tingkat akurasi yang lebih tinggi yaitu di angka 83%, sedangkan metode K-Nearest Neighbor atau K-NN sebesar 58%. Temuan ini mengindikasikan bahwa metode Decision Tree lebih efektif dalam menganalisis ulasan pengguna aplikasi MyPertamina dibandingkan dengan metode K-NN.
Kata Kunci: Analisis Sentimen; Decision Tree; K-Nearest Neighbors; MyPertamina.