ANALISIS SENTIMEN APLIKASI X PADA GOOGLE PLAY STORE MENGGUNAKAN ALGORITMA NAÏVE BAYES DAN SUPPORT VECTOR MACHINE (SVM)

Eskiyaturrofikoh Eskiyaturrofikoh - [ https://orcid.org/0009-0005-4773-1593 ]
Ryan Randy Suryono - [ http://orcid.org/0000-0001-9378-8148 ]


DOI: https://doi.org/10.29100/jipi.v9i3.5392

Abstract


Dalam era digital saat ini, Google Play Store telah menjadi salah satu platform terkemuka bagi pengguna Android untuk mengakses dan mengunduh berbagai aplikasi. Oleh karena itu, ulasan yang dipublikasikan di platform ini memberikan gambaran yang berharga tentang sentimen pengguna terhadap aplikasi tertentu. Tujuan penelitian ini adalah untuk menganalisis sentimen terhadap aplikasi X di Google Play Store dengan menggunakan dua metode klasifikasi yang berbeda, yakni Naïve Bayes dan Support Vector Machine (SVM). Dataset yang terdiri dari 4087 ulasan telah dikumpulkan dan dibagi menjadi dua bagian, yaitu data training (70%) dan data testing (30%). Hasil penelitian menunjukkan bahwa sebelum penerapan teknik SMOTE, akurasi SVM adalah 75,5%, sedangkan akurasi Naïve Bayes adalah 75%. Namun, setelah penerapan SMOTE, akurasi SVM meningkat menjadi 81%, sementara akurasi Naïve Bayes tetap pada 75,5%. Hasil ini menunjukkan bahwa penggunaan teknik SMOTE dapat meningkatkan kinerja model klasifikasi, terutama dalam hal mengenali sentimen positif dan negatif pada ulasan aplikasi. Analisis sentimen ini memberikan pemahaman yang lebih dalam tentang preferensi pengguna dan membantu pengembang aplikasi untuk meningkatkan pengalaman pengguna mereka dengan lebih baik.

Keywords


Aplikasi X; Google PlayStore; Naïve Bayes; Support Vector Machine

Full Text:

PDF

Article Metrics :

References


G. A. Mursianto, D. Widiyanto, and B. T. Wahyono, “Analisis Sentimen Ulasan Pengguna Pada Aplikasi Google Classroom Menggunakan Metode SVM Dan Seleksi Fitur PSO,” Inform. J. Ilmu Komput., vol. 18, no. 3, p. 221, 2022, doi: 10.52958/iftk.v18i3.4685.

A. S. Rahayu, A. Fauzi, and R. Rahmat, “Komparasi Algoritma Naïve Bayes Dan Support Vector Machine (SVM) Pada Analisis Sentimen Spotify,” J. Sist. Komput. dan Inform., vol. 4, no. 2, p. 349, 2022, doi: 10.30865/json.v4i2.5398.

I. Aida Sapitri and M. Fikry, “Pengklasifikasian Sentimen Ulasan Aplikasi Whatsapp Pada Google Play Store Menggunakan Support Vector Machine,” J. TEKINKOM, vol. 6, no. 1, pp. 1–7, 2023, doi: 10.37600/tekinkom.v6i1.773.

S. I. Nurhafida and F. Sembiring, “Analisis Sentimen Aplikasi Novel Online Di Google Play Store Menggunakan Algoritma Support Vector Machine (SVM),” J. Sains Komput. Inform. (J-SAKTI, vol. 6, no. 1, pp. 317–327, 2022.

M. D. Hendriyanto, A. A. Ridha, and U. Enri, “Analisis Sentimen Ulasan Aplikasi Mola Pada Google Play Store Menggunakan Algoritma Support Vector Machine,” INTECOMS J. Inf. Technol. Comput. Sci., vol. 5, no. 1, pp. 1–7, 2022, doi: 10.31539/intecoms.v5i1.3708.

S. Styawati, A. R. Isnain, N. Hendrastuty, and L. Andraini, “Comparison of Support Vector Machine and Naïve Bayes on Twitter Data Sentiment Analysis,” J. Inform. J. Pengemb. IT, vol. 6, no. 1, pp. 56–60, 2021, doi: 10.30591/jpit.v6i1.3245.

L. B. Ilmawan and E. Winarko, “Aplikasi Mobile untuk Analisis Sentimen pada Google Play,” IJCCS (Indonesian J. Comput. Cybern. Syst., vol. 9, no. 1, p. 53, 2015, doi: 10.22146/ijccs.6640.

A. F. Setyaningsih, D. Septiyani, and S. R. Widiasari, “Implementasi Algoritma Naïve Bayes untuk Analisis Sentimen Masyarakat pada Twitter mengenai Kepopuleran Produk Skincare di Indonesia,” J. Teknol. Inform. dan Komput., vol. 9, no. 1, pp. 224–235, 2023, doi: 10.37012/jtik.v9i1.1409.

P. Fremmuzar and A. Baita, “Uji Kernel SVM dalam Analisis Sentimen Terhadap Layanan Telkomsel di Media Sosial Twitter,” Komputika J. Sist. Komput., vol. 12, no. 2, pp. 57–66, 2023, doi: 10.34010/komputika.v12i2.9460.

I. S. K. Idris, Y. A. Mustofa, and I. A. Salihi, “Analisis Sentimen Terhadap Penggunaan Aplikasi Shopee Mengunakan Algoritma Support Vector Machine (SVM),” Jambura J. Electr. Electron. Eng., vol. 5, no. 1, pp. 32–35, 2023, doi: 10.37905/jjeee.v5i1.16830.

L. Qadrini, H. Hikmah, and M. Megasari, “Oversampling, Undersampling, Smote SVM dan Random Forest pada Klasifikasi Penerima Bidikmisi Sejawa Timur Tahun 2017,” J. Comput. Syst. Informatics, vol. 3, no. 4, pp. 386–391, 2022, doi: 10.47065/josyc.v3i4.2154.

F. D. Astuti and F. N. Lenti, “Implementasi SMOTE untuk Mengatasi Imbalance Class pada Klasifikasi Car Evolution Menggunakan K-NN,” JUPITER J. Penelit. Ilmu Dan Teknol. Komput., vol. 13, no. 1, pp. 89–98, 2021.

N. S. Ramadhanti, W. A. Kusuma, and A. Annisa, “Optimasi Data Tidak Seimbang pada Interaksi Drug Target dengan Sampling dan Ensemble Support Vector Machine,” J. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 6, p. 1221, 2020, doi: 10.25126/jtiik.2020762857.

P. K. Sari and R. R. Suryono, “Komparasi Algoritma Support Vector Machine , Naïve,” J. Mnemon., vol. 2, no. 2, pp. 7–13, 2024.

T. T. Widowati and M. Sadikin, “Analisis Sentimen Twitter terhadap Tokoh Publik dengan Algoritma Naive Bayes dan Support Vector Machine,” Simetris J. Tek. Mesin, Elektro dan Ilmu Komput., vol. 11, no. 2, pp. 626–636, 2021, doi: 10.24176/simet.v11i2.4568.

W. W. Kamal, “Analisis Sentimen Ulasan Produk Skincare Menggunakan Metode Support Vector Machine (Studi Kasus: Forum Female Daily),” p. 65, 2021.

T. Safitri, Y. Umaidah, and I. Maulana, “Analisis Sentimen Pengguna Twitter Terhadap Grup Musik BTS Menggunakan Algoritma Support Vector Machine,” J. Appl. Informatics Comput., vol. 7, no. 1, pp. 28–35, 2023, doi: 10.30871/jaic.v7i1.5039.

C. Kurniawan and H. Irsyad, “Perbandingan Metode K-Nearest Neighbor Dan Naïve Bayes Untuk Klasifikasi Gender Berdasarkan Mata,” J. Algoritm., vol. 2, no. 2, 2022.

Rina Noviana and Isram Rasal, “Penerapan Algoritma Naive Bayes Dan Svm Untuk Analisis Sentimen Boy Band Bts Pada Media Sosial Twitter,” J. Tek. dan Sci., vol. 2, no. 2, pp. 51–60, 2023, doi: 10.56127/jts.v2i2.791.

T. A. Dewi and E. Mailoa, “Perbandingan Implementasi Metode Smote Pada Algoritma Support Vector Machine (Svm) Dalam Analisis Sentimen Opini Masyarakat Tentang Mixue,” J. Indones. Manaj. Inform. dan Komun., vol. 4, no. 3, pp. 849–855, 2023, doi: 10.35870/jimik.v4i3.289.