Klasifikasi Kepuasan Pengguna Livin by Mandiri Menggunakan Naïve Bayes

Yahya Hasani Fauzi; Sefrika Sefrika; Faisal Faisal

doi:10.69693/ijmst.v4i3.14414

Authors

Yahya Hasani Fauzi Universitas Bina Sarana Informatika
Sefrika Sefrika Universitas Bina Sarana Informatika
Faisal Faisal Universitas Bina Sarana Informatika

DOI:

https://doi.org/10.69693/ijmst.v4i3.14414

Keywords:

Kepuasan Pengguna, Livin by Mandiri, Naïve Bayes, SMOTE, Klasifikasi

Abstract

Perkembangan layanan perbankan digital menjadikan mobile banking sebagai salah satu sarana penting dalam melakukan transaksi keuangan. Namun, kendala teknis dan performa aplikasi dapat memengaruhi kepuasan pengguna. Penelitian ini bertujuan untuk mengetahui tingkat kepuasan pengguna aplikasi Livin by Mandiri di Kelurahan Kademangan, mengklasifikasikan pengguna ke dalam kategori Puas dan Tidak Puas menggunakan algoritma Naïve Bayes, serta mengevaluasi kinerja model yang dihasilkan. Penelitian ini menggunakan pendekatan kuantitatif dengan data primer yang diperoleh melalui kuesioner daring. Sebanyak 125 responden dipilih menggunakan teknik purposive sampling berdasarkan kriteria yang telah ditentukan. Kuesioner terdiri atas 20 pernyataan dengan skala Likert lima poin. Sebanyak 16 atribut yang mencakup kemudahan penggunaan, kualitas sistem, kualitas informasi, dan keamanan digunakan sebagai prediktor, sedangkan empat pernyataan kepuasan digunakan untuk membentuk label kelas. Proses klasifikasi dilakukan menggunakan RapidMiner dengan metode 10-Fold Cross Validation. Teknik Synthetic Minority Over-sampling Technique (SMOTE) diterapkan pada data latih di setiap fold untuk mengatasi ketidakseimbangan kelas tanpa mengubah distribusi asli data uji. Hasil penelitian menunjukkan bahwa 116 responden (92,8%) termasuk kategori Puas, sedangkan sembilan responden (7,2%) termasuk kategori Tidak Puas. Evaluasi model menghasilkan accuracy sebesar 98,40%, precision sebesar 100%, recall sebesar 77,78%, dan F1-score sebesar 87,50%, dengan kategori Tidak Puas sebagai kelas positif. Hasil tersebut menunjukkan bahwa kombinasi Naïve Bayes dan SMOTE mampu mengklasifikasikan kepuasan pengguna dengan baik, meskipun peningkatan masih diperlukan untuk mendeteksi seluruh pengguna yang tidak puas.

References

1. Adela, C. N., Karnila, S., Agarina, M., Komputer, I., Informasi, S., & Darmajaya, I. I. B. (2021). Analisis Ulasan Pengguna Aplikasi Seabank Dengan Support Vector Machine Dan Naïve Bayes. 18(2), 441–453. https://doi.org/10.33365/jtk.v18i2.4156

2. Aryanusa, A., Akbar, R. M., & S, Y. N. (2025). EVALUASI KINERJA LOGISTIC REGRESSION DAN MULTINOMIAL NAÏVE BAYES DALAM KLASIFIKASI. Jurnal Informatika Dan Teknik Elektro Terapan, 13(3), 463–474. https://doi.org/https://doi.org/10.23960/jitet.v13i3S1.7687

3. Asrulla, R., Jailani, M. S., & Jeka, F. (2023). Populasi dan sampling (kuantitatif), serta pemilihan informan kunci (kualitatif) dalam pendekatan praktis. Jurnal Pendidikan Tambusai, 7(3), 26320–26332. https://doi.org/https://doi.org/10.31004/jptam.v7i3.10836

4. Cahayana, N. N., & Aesyi, U. S. (2025). Model Analisis Sentimen pada Ulasan Pengguna Mobile Banking Menggunakan Kombinasi K-Means dan Naive Bayes. Jurnal Ilmiah Bidang Teknologi, 9503, 44–49. https://doi.org/10.28989/angkasa.v17i1.2500

5. Chlarasasti, Y., & Nuryana, I. K. D. (2023). Komparasi Algoritma Naïve Bayes dan Random Forest Dalam Mengetahui Kepuasan Pengguna Aplikasi Jenius. Journal of Emerging Information Systems and Business Intelligence, 04(03), 64–72. https://doi.org/https://doi.org/10.26740/jeisbi.v4i3.54232

6. Harahap, A. B., & Basri, M. (2022). Analisis Kepuasan Pengguna Terhadap Kualitas Layanan Aplikasi Livin By Mandiri Menggunakan Metode E-Servqual Dan Importance Performance Analysis ( IPA ). Jurnal Ilmu Komputer, 888, 1–8. https://doi.org/https://doi.org/10.12345

7. Kusuma, A., & Nugroho, A. (2021). Analisa Sentimen Pada Twitter Terhadap Kenaikan Tarif Dasar Listrik Dengan Metode Naïve Bayes. Jurnal Ilmiah Teknologi Informasi, 15(2), 137–146. https://doi.org/10.32815/jitika.v15i2.557

8. Mushofa, M., Hermina, D., & Huda, N. (2024). Memahami Populasi dan Sampel: Pilar Utama dalam Penelitian Kuantitatif. Jurnal Syntax Admiration, 5(12), 5937–5948. https://doi.org/10.46799/jsa.v5i12.1992

9. Nurdianah, S., & Easwaramoorthy, S. V. (n.d.). Factors Influencing the Usage of Mobile Banking Apps Among Malaysian Consumers. 5. https://doi.org/10.48550/arXiv.2411.16689

10. Pirie, C. R., Tambotoh, J. J. C., Informasi, S., Informasi, F. T., Kristen, U., & Wacana, S. (2023). Analisis Kebergunaan menggunakan Usefulness , Satisfaction , and Ease - of - Use Questionnaire pada Perbankan Digital Usability Analysis using Usefulness , Satisfaction , and Ease - of - Use. Jurnal Sistemasi Sistem Informasi, 12(Hypothesis 3), 154–165. https://doi.org/https://doi.org/10.32520/stmsi.v12i1

11. Putro, Y. N. R., Afriansyah, A., & Bagaskara, R. (2024). Penggunaan Algoritma Gaussian Naïve Bayes & Decision Tree Untuk Klasifikasi Tingkat Kemenangan Pada Game Mobile Legends. JUKI : Jurnal Komputer Dan Informatika, 6(1), 10–26. https://doi.org/10.53842/juki.v6i1.472

12. Ramdani, A., & Sofyan, C. (2022). ALGORITMA KLASIFIKASI DATA MINING UNTUK MEMPREDIKSI MASYARAKAT DALAM MENERIMA BANTUAN SOSIAL. 1(2), 39–47. https://doi.org/https://doi.org/10.51903/2x52c128

13. Sudarsono, B. G., Leo, M. I., Santoso, A., & Hendrawan, F. (2021). ANALISIS DATA MINING DATA NETFLIX MENGGUNAKAN APLIKASI RAPID MINER. JBASE - Journal of Business and Audit Information Systems, 4(1), 13–21. https://doi.org/10.30813/jbase.v4i1.2729

14. Sulistiyono, M., Pristyanto, Y., Adi, S., Gumelar, G., Komputer, F. I., Yogyakarta, U. A., Informasi, S., Komputer, F. I., Yogyakarta, U. A., Utara, R. R., Indonesia, I. Y., Mean, G., & Minority, S. (2021). Implementasi Algoritma Synthetic Minority Over - Sampling Technique untuk Menangani Ketidakseimbangan Kelas pada Dataset Klasifikasi. 10, 445–459. https://doi.org/https://doi.org/10.32520/stmsi.v10i2.1303

15. Valerian, F. R., Syarief, M., Fatah, D. A., Informasi, S., Madura, U. T., Kamal, K., & Timur, J. (2025). Klasifikasi tingkat obesitas menggunakan metode gbm dan confusion matrix. Jurnal Mahasiswa Tekrnik Informatika, 9(2), 2242–2249. https://doi.org/https://doi.org/10.36040/jati.v9i2.13062

16. Wulan, P. P., & Basri, H. (2024). ANALISIS SENTIMEN TERHADAP LAYANAN NASABAH BANK MENGGUNAKAN SENTIMENT ANALYSIS OF BANKING CUSTOMER SERVICE USING NAIVE BAYES. Jurnal Kecerdasan Buatan & Teknologi Indonesia, 3(2), 68–74. https://doi.org/https://doi.org/10.69916/jkbti.v3i2.131