UMPPUMPP

Jurnal Surya InformatikaJurnal Surya Informatika

LIVIN adalah salah satu aplikasi platform di google play store. Aplikasi Livin sudah diunduh sebanyak 10 juta kali namun hanya memiliki rating 3,5. Pada google play store pemberian rating aplikasi diikuti dengan ulasan dari para pengguna terhadap aplikasi. Ulasan yang ada cukup banyak dan tidak terstruktur serta mengandung opini dari para pengguna tentang kepuasan mereka terhadap aplikasi tersebut sehingga sering dijadikan pertimbangan oleh calon pengguna untuk memilih aplikasi yang digunakan. Berdasarkan hal tersebut, maka dilakukan analisis sentimen menggunakan algoritma Support Vector Machine untuk mengetahui bagaimana sentimen para pengguna terhadap aplikasi LIVIN di google play store. Penelitian ini menggunakan metode Knowledge Discovery in Database (KDD). Data yang digunakan merupakan ulasan aplikasi LIVIN sebanyak 209395 data yang terdiri dari 125736 ulasan positif dan 8359 ulasan negatif. Hasil terbaik diperoleh pada skenario 1 (90:10) menggunakan kernel RBF (Radial Basis Function) yang menghasilkan accuracy 83.61% precision 87.07%, recall 76.52%, dan f1-score 81.45%.

Analisis sentimen menggunakan Support Vector Machine (SVM) dengan kernel linear terbukti efektif dalam mengkategorikan sentimen pengguna aplikasi LIVIN di Google Play Store, menghasilkan akurasi tertinggi dibandingkan kernel lainnya.Hasil penelitian menunjukkan bahwa model SVM dengan kernel linear memberikan performa terbaik, memberikan wawasan berharga mengenai persepsi pengguna terhadap kualitas dan kinerja aplikasi.Namun, penelitian ini memiliki keterbatasan ruang lingkup data yang terbatas pada periode tertentu dan hanya pada aplikasi LIVIN, sehingga generalisasi hasil harus dilakukan dengan hati-hati.

Penelitian selanjutnya dapat menyelidiki bagaimana kombinasi kernel SVM (linear, RBF, polynomial) dengan teknik deep learning seperti LSTM atau BERT mempengaruhi akurasi klasifikasi sentimen pada ulasan aplikasi mobile, khususnya dengan membandingkan performa pada dataset multibahasa. Selanjutnya, studi dapat mengeksplorasi pengaruh penggunaan data ulasan yang mencakup periode lebih luas (misalnya tiga tahun) dan aplikasi dari berbagai kategori (finansial, edukasi, hiburan) terhadap generalisasi model, sehingga dapat mengidentifikasi faktor-faktor yang memoderasi keberhasilan SVM dalam konteks yang berbeda. Selain itu, penelitian dapat merancang pendekatan hibrida yang mengintegrasikan metode ekstraksi fitur tradisional (TF‑IDF) dengan representasi semantik berbasis word embedding untuk menilai apakah peningkatan representasi teks dapat meningkatkan recall dan mengurangi bias kelas minoritas dalam analisis sentimen. Akhirnya, sebuah studi komparatif dapat dilakukan antara SVM dan algoritma ensemble seperti Random Forest atau Gradient Boosting dalam menangani data tidak seimbang, dengan tujuan menentukan strategi optimal untuk meningkatkan keseimbangan antara presisi dan recall pada ulasan aplikasi.

  1. Support Vector Machine Berbasis Particle Swarm Optimization Pada Analisis Sentimen Anggota KPPS | JURNAL... doi.org/10.37859/jf.v14i1.6795Support Vector Machine Berbasis Particle Swarm Optimization Pada Analisis Sentimen Anggota KPPS JURNAL doi 10 37859 jf v14i1 6795
Read online
File size547.97 KB
Pages6
DMCAReport

Related /

ads-block-test