Publisher

PLBPLB

Journal TEMATIKTEMATIK Abstract

Perkembangan teknologi digital telah mengubah pola konsumsi media di Indonesia, dengan munculnya layanan streaming seperti Disney Hotstar menjadi semakin populer. Sejak diluncurkan pada tahun 2020, Disney Hotstar menghadirkan berbagai konten eksklusif dari Marvel, Pixar, Disney, National Geographic dan lainnya, dengan cepat meraih pasar di Indonesia. Meskipun demikian, layanan ini tidak lepas dari adanya kontroversi, terutama terkait beberapa konten yang dianggap bertentangan dengan nilai sosial di Indonesia. Selain itu, kualitas layanan, harga berlangganan, dan ketersediaan konten turut menjadi perhatian pengguna. Adanya perbedaan rating pada Play Store (1.7) dan App Store (4.8) mengindikasikan adanya perbedaan dalam kepuasan pengguna di kedua platform tersebut. Penelitian ini bertujuan untuk melakukan analisis sentimen pengguna terhadap Disney Hotstar, khususnya terhadap ulasan Play Store dan App Store. Dengan menggunakan model klasifikasi Support Vector Machine (SVM) yang dioptimalkan dengan teknik Synthetic Minority Over-Sampling Technique (SMOTE) untuk mengatasi ketidakseimbangan data. Berdasarkan analisis menggunakan 1.650 dataset, sentimen pengguna cenderung memiliki nilai Netral, yang telah diukur menggunakan Vader Lexicon. Hasil pengujian metode menunjukkan bahwa optimasi SMOTE mampu meningkatkan performa model SVM, dengan peningkatan akurasi sebesar 0,7 pada ulasan Play Store dari 0,67 menjadi 0,74, serta peningkatan akurasi sebesar 0,11 pada ulasan App Store dari 0,72 menjadi 0,83. Kesimpulannya, metode SVM yang dioptimalkan dengan SMOTE terbukti efektif dalam meningkatkan akurasi klasifikasi sentimen ulasan pengguna terhadap layanan Disney Hotstar.

Conclusion

650 ulasan pengguna Disney Hotstar di Play Store dan App Store menunjukkan sentimen netral mendominasi dan optimasi SMOTE berhasil meningkatkan akurasi SVM dari 67% menjadi 74% pada Play Store serta dari 72% menjadi 83% pada App Store.Penerapan SMOTE secara efektif menyeimbangkan distribusi data dan memperbaiki performa klasifikasi, sehingga metode SVM yang dioptimalkan dengan SMOTE dapat diandalkan untuk menganalisis opini pengguna layanan streaming.Untuk penelitian selanjutnya, disarankan mengeksplorasi penggunaan algoritma pembelajaran mendalam, melakukan seleksi fitur untuk menyaring fitur kurang relevan, dan menerapkan model ini pada berbagai platform serta topik berbeda guna meningkatkan efisiensi dan akurasi analisis sentimen.

Future Research

Penelitian selanjutnya dapat mengeksplorasi penggunaan metode pembelajaran mendalam seperti BERT atau LSTM yang telah diadaptasi khusus untuk Bahasa Indonesia, untuk meningkatkan akurasi klasifikasi sentimen ulasan pengguna layanan streaming. Sebagai ide penelitian baru, analisis sentimen berbasis aspek juga dapat dikembangkan untuk mengidentifikasi dan memetakan faktor-faktor spesifik seperti kualitas konten, harga berlangganan, serta ketersediaan fitur subtitle yang paling memengaruhi persepsi pengguna. Selanjutnya, studi komparatif yang membandingkan optimasi SMOTE dengan teknik augmentasi data lain seperti ADAptive Synthetic Sampling dapat diadakan pada dataset ulasan beberapa platform streaming guna menilai konsistensi dan keandalan metode optimasi. Arah studi berikutnya melibatkan analisis temporal agar perubahan sentimen pengguna dapat dimonitor dari waktu ke waktu sejak peluncuran aplikasi hingga periode pasca-pandemi. Penelitian juga dapat memperdalam penerapan feature selection sebelum oversampling untuk menyingkirkan fitur kurang relevan dan mengurangi dimensi data, sehingga model menjadi lebih efisien. Untuk memperluas cakupan, riset bisa mencakup ulasan dari media sosial dan forum online, sehingga mampu mengevaluasi performa metode pada berbagai jenis teks. Terakhir, penelitian lanjutan dapat menguji adaptabilitas metode SVM-SMOTE pada bahasa daerah atau bahasa campuran untuk melihat ketahanan model dalam konteks multibahasa.

References

1. Analisis Sentimen Berbasis Aspek pada Review Female Daily Menggunakan TF-IDF dan Naïve Bayes... doi.org/10.30865/mib.v5i2.2845Analisis Sentimen Berbasis Aspek pada Review Female Daily Menggunakan TF IDF dan NayEAve Bayes doi 10 30865 mib v5i2 2845
2. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas)i. perbandingan bayes analisis sentimen gadget jurnal... jurnal.iaii.or.id/index.php/RESTI/article/view/3588Jurnal RESTI Rekayasa Sistem dan Teknologi Informas i perbandingan bayes analisis sentimen gadget jurnal jurnal iaii index php RESTI article view 3588
3. Analisa Sentimen Kicauan Twitter Tokopedia Dengan Optimalisasi Data Tidak Seimbang Menggunakan Algoritma... doi.org/10.29408/jit.v5i1.4581Analisa Sentimen Kicauan Twitter Tokopedia Dengan Optimalisasi Data Tidak Seimbang Menggunakan Algoritma doi 10 29408 jit v5i1 4581

Metadata

File size	888.91 KB
Pages	9
DMCA	Report