PLBPLB

TEMATIKTEMATIK

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.

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.

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.

  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
Read online
File size888.91 KB
Pages9
DMCAReport

Related /

JURIS Prediksi Risiko Tekanan Darah Tinggi dengan Menerapkan Artificial Neural Network 2025More at 2025

PLBPLB Penelitian sebelumnya telah menerapkan model Artificial Neural Network (ANN) berbasis data klinis nyata dengan tingkat akurasi sekitar 85%, namun masihPenelitian sebelumnya telah menerapkan model Artificial Neural Network (ANN) berbasis data klinis nyata dengan tingkat akurasi sekitar 85%, namun masih

JURIS Pencapaian Klasifikasi Terbaik Berbasis Perbaikan Citra CLAHE Dan Dark Channel Prior Pada Spesies Ikan 2025More at 2025

UMUSUMUS Dengan kondisi demikian, upaya peningkatan konsumsi ikan akan memberikan multiflier effect dalam lingkungan masyarakat. Selain meningkatkan tingkat kesehatanDengan kondisi demikian, upaya peningkatan konsumsi ikan akan memberikan multiflier effect dalam lingkungan masyarakat. Selain meningkatkan tingkat kesehatan

JURIS Klasifikasi Citra Tumor Otak Menggunakan Teknik Transfer Learning Pada Arsitektur ResNet 50 2025More at 2025

STMIKJAYAKARTASTMIKJAYAKARTA Dataset terdiri dari 3. 064 citra MRI yang dibagi ke dalam data latih dan uji dengan rasio 80:20. Citra diproses melalui tahapan resizing, normalisasi,Dataset terdiri dari 3. 064 citra MRI yang dibagi ke dalam data latih dan uji dengan rasio 80:20. Citra diproses melalui tahapan resizing, normalisasi,

JURIS Leaf Type Image Classification Using Deep Learning Method Convolution Neural Network 2025More at 2025

UMIUMI 075 gambar daun yang terbagi menjadi lima kelas, dan model yang dibangun mencapai akurasi keseluruhan sebesar 74%. Hasil ini diharapkan dapat membantu075 gambar daun yang terbagi menjadi lima kelas, dan model yang dibangun mencapai akurasi keseluruhan sebesar 74%. Hasil ini diharapkan dapat membantu

JURIS Using genetic algorithm feature selection to optimize XGBoost performance in Australian credit 2025More at 2025

SHMPUBLISHERSHMPUBLISHER Penerapan algoritma genetik sebagai metode seleksi fitur berhasil meningkatkan nilai akurasi model klasifikasi XGBoost sebesar 2,24% dalam memprediksiPenerapan algoritma genetik sebagai metode seleksi fitur berhasil meningkatkan nilai akurasi model klasifikasi XGBoost sebesar 2,24% dalam memprediksi

JURIS Pembelajaran Ensemble untuk Klasifikasi Ulasan Pelanggan E commerce Menggunakan Teknik Boosting 2024More at 2024

PNCPNC Pada analisis matriks evaluasi presisi, recall, dan F1‑Score XGBoost menghasilkan nilai true positif lebih tinggi dibandingkan teknik lainnya sepertiPada analisis matriks evaluasi presisi, recall, dan F1‑Score XGBoost menghasilkan nilai true positif lebih tinggi dibandingkan teknik lainnya seperti

JURIS Analisis Kualitas Tarif Terhadap Ketertarikan dan Loyalitas Atlet Pencak Silat di Perguruan Silat Garuda Nusantara Kudus 2023More at 2023

AISYAHUNIVERSITYAISYAHUNIVERSITY Atlet melaporkan kepuasan 75% (baik) dan 25% (sedang) terhadap program pelatihan, sementara responden melaporkan kepuasan 70% (baik) dan 30% (sedang) terhadapAtlet melaporkan kepuasan 75% (baik) dan 25% (sedang) terhadap program pelatihan, sementara responden melaporkan kepuasan 70% (baik) dan 30% (sedang) terhadap

JURIS Perbandingan Kemampuan Klasifikasi Citra X ray Paru paru menggunakan Transfer Learning ResNet 50 dan VGG 16 2023More at 2023

MARANATHAMARANATHA Kemampuan ini sangat ditentukan oleh dataset dan parameter yang digunakan. Tidak terdapat perbedaan signifikan antara VGG-16 dan ResNet-50 dalam akurasi,Kemampuan ini sangat ditentukan oleh dataset dan parameter yang digunakan. Tidak terdapat perbedaan signifikan antara VGG-16 dan ResNet-50 dalam akurasi,

Useful /

JURIS Penerapan Metode Moving Average Untuk Analisis Dan Visualisasi Tren Diagnosis Penyakit Harian Data Rekam Medis 2025More at 2025

PLBPLB Penelitian ini berfokus pada penerapan metode moving average untuk menganalisis dan memvisualisasikan pola diagnosis harian, dengan menekankan perbandinganPenelitian ini berfokus pada penerapan metode moving average untuk menganalisis dan memvisualisasikan pola diagnosis harian, dengan menekankan perbandingan

JURIS Implementasi Framework COBIT 2019 Pada Audit Sistem Informasi Akademik Universitas Kebangsaan Republik Indonesia 2025More at 2025

PLBPLB Transformasi digital pada pendidikan tinggi menuntut tata kelola sistem akademik yang terstandar dan terukur, namun banyak institusi menhadapi tantanganTransformasi digital pada pendidikan tinggi menuntut tata kelola sistem akademik yang terstandar dan terukur, namun banyak institusi menhadapi tantangan

JURIS Arsitektur Hybrid Berbasis Aturan dengan Fuzzy Matching dan Klasifikasi Intent SVM untuk Chatbot Pengaduan pada Layanan 2025More at 2025

PLBPLB Pendekatan rule-based mampu memberikan respons yang cepat dan konsisten, namun gagal menghadapi variasi input bahasa, sedangkan fuzzy matching toleranPendekatan rule-based mampu memberikan respons yang cepat dan konsisten, namun gagal menghadapi variasi input bahasa, sedangkan fuzzy matching toleran

JURIS Correlation between SREBP 1c and Prominent Nucleoli Hepatocytes of Type 2 Diabetic Rat Model Induced by Dietylnitrosamine 2024More at 2024

MARANATHAMARANATHA Didiagnosis bahwa diabetes melitus tipe 2 memicu peningkatan ekspresi SREBP-1c sebagai faktor lipogenesis yang merangsang transformasi hepatosit bernukleoliDidiagnosis bahwa diabetes melitus tipe 2 memicu peningkatan ekspresi SREBP-1c sebagai faktor lipogenesis yang merangsang transformasi hepatosit bernukleoli

ads-block-test