OPTIMALISASI POHON KEPUTUSAN ID3 MENGGUNAKAN PARTICLE SWARM OPTIMIZATION DALAM PREDIKSI ADOPSI LAYANAN DIGITAL PAYMENT
DOI:
https://doi.org/10.36595/jire.v8i2.1711Keywords:
Digital Payment, ID3 Algorithm, Particle Swarm Optimization, PredictionAbstract
Transformasi digital mendorong peningkatan penggunaan layanan pembayaran digital seperti OVO dan GoPay. Namun, tingkat penggunaan layanan ini belum merata, sehingga diperlukan model prediksi untuk memahami faktor-faktor yang memengaruhi keputusan pengguna dalam mengadopsi layanan tersebut. Penelitian ini mengembangkan model klasifikasi berbasis algoritma ID3 yang dioptimasi menggunakan Particle Swarm Optimization (PSO). Data dikumpulkan melalui kuesioner dari 750 responden, kemudian diproses melalui tahap preprocessing, pelatihan ID3, dan optimasi dengan PSO. Hasil menunjukkan bahwa model ID3+PSO mencapai akurasi 94,53%, lebih tinggi dibandingkan ID3 tanpa optimasi (92,93%). Precision dan recall masing-masing meningkat menjadi 95,41% dan 95,15%, sementara AUC tetap tinggi di angka 98,20%. PSO terbukti efektif menyederhanakan model dan meningkatkan performa klasifikasi. Temuan ini berimplikasi pada peningkatan akurasi sistem rekomendasi dan pengambilan keputusan strategis oleh penyedia layanan digital payment, terutama dalam memahami karakteristik serta potensi adopsi layanan oleh pengguna secara lebih tepat.
Downloads
References
[1] A. D. W. Sumari, M. B. Musthafa, and D. R. H. Putra, “Comparison of the Performance of Prediction Methods on Digital Wallet Transactions during the Pandemic,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 4, no. 4, pp. 642-647., 2020.
[2] A. A. Fattahila, F. I. Amorokhman, K. M. Auditama, K. A. Wijaya, and A. Romadhony, “Indonesian Digital Wallet Sentiment Analysis Using CNN And LSTM Method,” 2021, doi: 10.1109/ICAIBDA53487.2021.9689712.
[3] R. Riskawati, F. Fatihanursari, I. Iin, and A. Rizki Rinaldi, “Penerapan Metode Naïve Bayes Classifier Pada Analisis Sentimen Aplikasi Gopay,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 1, pp. 346–353, 2024, doi: 10.36040/jati.v8i1.8699.
[4] A. S. E. Gopay, “Analisis sentimen e-wallet gopay, shopeepay, dan ovo menggunakan algoritma naive bayes,” vol. 12, no. 3, 2024.
[5] I. G. I. Sudipa, I. M. D. P. Asana, K. J. Atmaja, P. P. Santika, and D. Setiawan, “Analisis Data Kepuasan Pengguna Layanan E-Wallet Gopay Menggunakan Metode Naïve Bayes Classifier Algorithm,” Kesatria J. Penerapan Sist. Inf. (Komputer dan Manajemen), vol. 4, no. 3, pp. 726–735, 2023, [Online]. Available: https://tunasbangsa.ac.id/pkm/index.php/kesatria/article/view/219%0Ahttps://tunasbangsa.ac.id/pkm/index.php/kesatria/article/download/219/218.
[6] E. Yuniar, D. S. Utsalinah, and D. Wahyuningsih, “Implementasi Scrapping Data Untuk Sentiment Analysis Pengguna Dompet Digital dengan Menggunakan Algoritma Machine Learning,” J. Janitra Inform. dan Sist. Inf., vol. 2, no. 1, pp. 35–42, 2022, doi: 10.25008/janitra.v2i1.145.
[7] E. S. Basryah, A. Erfina, and C. Warman, “Analisis Sentimen Aplikasi Dompet Digital Di Era 4 . 0 Pada Masa Pendemi Covid-19 Di Play Store,” SISMATIK (Seminar Nas. Sist. Inf. dan Manaj. Inform., pp. 189–196, 2021, [Online]. Available: https://sismatik.nusaputra.ac.id/index.php/sismatik/article/view/28%0Ahttps://sismatik.nusaputra.ac.id/index.php/sismatik/article/download/28/25.
[8] F. M. Delta Maharani, A. Lia Hananto, S. Shofia Hilabi, F. Nur Apriani, A. Hananto, and B. Huda, “Perbandingan Metode Klasifikasi Sentimen Analisis Penggunaan E-Wallet Menggunakan Algoritma Naïve Bayes dan K-Nearest Neighbor,” Metik J., vol. 6, no. 2, pp. 97–103, 2022, doi: 10.47002/metik.v6i2.372.
[9] W. Eko Saputro, H. Yuana, and W. Dwi Puspitasari, “Analisis Sentimen Pengguna Dompet Digital Dana Pada Kolom Komentar Google Play Store Dengan Metode Klasifikasi Support Vector Machine,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 2, pp. 1151–1156, 2023, doi: 10.36040/jati.v7i2.6842.
[10] R. Ridwansyah, G. Wijaya, and J. J. Purnama, “Hybrid Optimization Method Based on Genetic Algorithm for Graduates Students,” J. Pilar Nusa Mandiri, vol. 16, no. 1, pp. 53–58, 2020, doi: 10.33480/pilar.v16i1.1180.
[11] I. Ariyati, S. Rosyida, K. Ramanda, V. Riyanto, S. Faizah, and Ridwansyah, “Optimization of the Decision Tree Algorithm Used Particle Swarm Optimization in the Selection of Digital Payments,” in Journal of Physics: Conference Series, 2020, vol. 1641, no. 1, doi: 10.1088/1742-6596/1641/1/012090.
[12] Ridwansyah, R. L. Andharsaputri, Yudhistira, Irmawati Carolina, and Suharjanti, “K-Nearest Neighbors Optimization using Particle Swarm Optimization in Selection Digital Payments,” J. Teknol. Inf. dan Terap., vol. 12, no. 1, pp. 1–8, 2025, doi: https://doi.org/10.25047/jtit.v12i1.5911.
[13] J. I. Poerjoto;, A. Gui;, and K. Deniswara, “Identifying Factors Affecting the Continuance Usage Intention of Digital Payment Services among Millennials in Jakarta,” 2021, doi: 10.1109/IT51528.2021.9390125.
[14] M. Saputra, M. Hafiz, I. Permata, S. Situmorang, and G. J. Lumbantobing, “Analisis Data Sentimen Kepuasan Pengguna E- Wallet Menggunakan Metode K-Nearest Neighbor,” vol. 9, pp. 1021–1029, 2024.
[15] A. Hamid and Ridwansyah, “Optimizing Heart Failure Detection?: A Comparison between Naive Bayes and Particle Swarm Optimization,” Paradigma, vol. 26, no. 1, pp. 30–36, 2024, doi: https://doi.org/10.31294/p.v26i1.3284.
[16] H. Nurdin, Sartini, Sumarna, Y. I. Maulana, and V. Riyanto, “Prediction of Student Graduation with the Neural Network Method Based on Particle Swarm Optimization,” Sink. J. dan Penelit. Tek. Inform., vol. 8, no. 4, pp. 2353–2362, 2023, doi: 10.33395/sinkron.v8i4.12973.
[17] I. Nawawi, “OPTIMISASI PEMILIHAN FITUR UNTUK PREDIKSI GAGAL JANTUNG: FUSION RANDOM FOREST DAN PARTICLE SWARM OPTIMIZATION,” INTI NUSA MANDIRI, vol. 18, no. 2, pp. 122–128, 2024, doi: DOI: https://doi.org/10.33480/inti.v18i2.5031.
[18] V. Riyanto, H. Destiana, T. Prihatin, Sugiono, and G. Wijaya, “MENGOPTIMALKAN PREDIKSI GAGAL JANTUNG DENGAN KOMBINASI,” JIRE (Jurnal Inform. Rekayasa Elektron., vol. 8, no. 1, pp. 103–111, 2025, doi: https://doi.org/10.36595/jire.v8i1.1541.
[19] S. Sartini, S. Sumarna, A. Hamid, A. H. Kahf, and Nicodias Palasar, “REVOLUSI DIAGNOSIS?: OPTIMASI RANDOM TREE-PSO UNTUK PENYAKIT GINJAL KRONIS,” JIRE (Jurnal Inform. Rekayasa Elektron., vol. 8, no. 1, pp. 149–158, 2025, doi: https://doi.org/10.36595/jire.v8i1.1542.
Downloads
Published
How to Cite
Issue
Section
License
Semua tulisan pada jurnal ini menjadi tanggungjawab penuh penulis.
