1. Home
  2. Vol 8, No 1 (2024)
  3. Subowo

Algoritma Support Vector Machine untuk Analisis Sentimen Ulasan Aplikasi AXISnet di Google Play Store

Edy Subowo

Abstract


Aplikasi AXISnet, yang tersedia di Google Play Store, beroperasi sebagai penyedia layanan internet. Meskipun mengumpulkan 10 juta unduhan, peringkatnya berada di 4,3. Dalam ekosistem toko aplikasi, penilaian pengguna dilengkapi dengan ulasan terperinci. Ulasan ini, seringkali tidak terstruktur, merangkum sentimen dan tingkat kepuasan pengguna, sehingga sangat memengaruhi pilihan calon pengguna. Untuk mengukur sentimen pengguna terhadap aplikasi AXISnet, digunakan analisis sentimen menggunakan algoritma Support Vector Machine. Dengan menggunakan metode Knowledge Discovery in Database (KDD), penelitian ini meneliti kumpulan data yang mencakup 61.895 ulasan aplikasi AXISnet. Diantaranya, 31.742 ulasan cenderung positif, sementara 30.153 ulasan mencerminkan sentimen negatif. Selain itu, evaluasi tersebut menghasilkan tingkat akurasi sebesar 86%, yang menggambarkan presisi model secara keseluruhan dalam tugas klasifikasi. Model ini menunjukkan presisi sebesar 87%, yang menyoroti keakuratannya dalam mengidentifikasi hal-hal positif yang sebenarnya di antara hal-hal positif yang diprediksi. Dengan perolehan sebesar 83%, model tersebut menunjukkan kemampuannya dalam mengklasifikasikan kejadian positif aktual secara akurat. Skor F1, yang menunjukkan rata-rata harmonis antara presisi dan perolehan, mencapai 85%, menandakan kinerja seimbang antara mengidentifikasi kelas positif dengan benar dan meminimalkan positif palsu.

Keywords


AXISnet; Knowledge Discovery in Database; Sentiment Analysis; Scraping; Support Vector Machine

References


Aditiya, P., Enri, U., & Maulana, I. (2022). Analisis Sentimen Ulasan Pengguna Aplikasi Myim3 Pada Situs Google Play Menggunakan Support Vector Machine. JURIKOM (Jurnal Riset Komputer), 9(4), 1020. https://doi.org/10.30865/jurikom.v9i4.4673 [2] Balahadia, F., Vinluan, A., Gonzales, D., & Ballera, M. (2021). Application of Spatiotemporal Analysis and Knowledge Discovery for Databases in the Bureau of Fire Protection as Incident Report System: Tool for Improving Fire Services. International Journal of Computing Sciences Research, 5(1), 519–533. https://doi.org/10.25147/ijcsr.2017.001.1.56 [3] Fransiska, S., & Irham Gufroni, A. (2020). Sentiment Analysis Provider by.U on Google Play Store Reviews with TF-IDF and Support Vector Machine (SVM) Method. Scientific Journal of Informatics, 7(2), 2407–7658. [4] Hasanah, A. N., & Sari, B. N. (2024). ANALISIS SENTIMEN ULASAN PENGGUNA APLIKASI JASA OJEK ONLINE MAXIM PADA GOOGLE PLAY DENGAN METODE NAÏVE BAYES CLASSIFIER. Jurnal Informatika Dan Teknik Elektro Terapan, 12(1), 90–96. https://doi.org/10.23960/jitet.v12i1.3628 [5] Husada, H. C., & Paramita, A. S. (2021). Analisis Sentimen Pada Maskapai Penerbangan di Platform Twitter Menggunakan Algoritma Support Vector Machine (SVM). Teknika, 10(1), 18–26. https://doi.org/10.34148/teknika.v10i1.311 [6] Ilmawan, L. B., & Mude, M. A. (2020). Perbandingan Metode Klasifikasi Support Vector Machine dan Naïve Bayes untuk Analisis Sentimen pada Ulasan Tekstual di Google Play Store. ILKOM Jurnal Ilmiah, 12(2), 154–161. https://doi.org/10.33096/ilkom.v12i2.597.154-161 [7] Iskandar, J. W., & Nataliani, Y. (2021). Perbandingan Naïve Bayes, SVM, dan k-NN untuk Analisis Sentimen Gadget Berbasis Aspek. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 5(6), 1120–1126. https://doi.org/10.29207/resti.v5i6.3588 [8] Zuriel, H. P. P., & Fahrurozi, A. (2021). Implementasi Algoritma Klasifikasi Support Vector Machine Untuk Analisa Sentimen Pengguna Twitter Terhadap Kebijakan Psbb. Jurnal Ilmiah Informatika Komputer, 26(2), 149–162. https://doi.org/10.35760/ik.2021.v26i2


Full Text: PDF

DOI: 10.24269/jkt.v8i1.2653

Refbacks

  • There are currently no refbacks.