UMMUMM

KOMTIKAKOMTIKA

Perkembangan teknologi informasi mendorong meningkatnya penggunaan layanan digital seperti Google Maps, yang bukan sekadar berperan sebagai sarana penunjuk arah, melainkan juga menjadi wadah bagi pengguna dalam menyampaikan ulasan. Ulasan tersebut menjadi sumber data penting dalam analisis sentimen, namun sering kali tidak terstruktur dan mengandung noise. Penelitian ini mempunyai tujuan untuk melakukan analisis menggunakan model Support Vector Machine (SVM) dengan penerapan teknik resampling untuk mengatasi masalah ketidakseimbangan data terhadap sentiment ulasan terhadap applikasi Google Maps. Data penelitian sebanyak 1.000 ulasan yang paling baru didapatkan dengan teknik scraping, yang kemudian melalui tahapan data cleaning (lowercase, stopwords removal, stemming, dan lemmatization) serta data pre-processing. Model SVM dan teknik resampling kemudian diimplementasikan serta dievaluasi dengan metrik akurasi, presisi, dan recall. Hasil penelitian menunjukkan model SVM mampu mencapai akurasi 81%, dengan nilai presisi rata-rata tertimbang 0,79, recall 0,81, dan F1-score 0,76. Hasil penelitian menunjukkan penerapan teknik resampling pada SVM memiliki performa yang baik untuk klasifikasi sentimen. Penelitian yang dihasilkan diharapkan memberikan kontribusi pada pengembangan metode analisis sentimen menggunakan model SVM dengan penerapan resampling dalam konteks ulasan applikasi Google Maps.

Penelitian ini membuktikan bahwa model SVM dengan penerapan teknik resampling mampu memberikan kinerja yang cukup baik dalam analisis sentimen ulasan pengguna Google Maps.Model yang dibangun berhasil mencapai akurasi sebesar 81% dengan nilai presisi rata-rata tertimbang 0,79, recall 0,81, dan F1-score 0,76.Hasil ini menunjukkan bahwa SVM sangat andal dalam mengenali sentimen positif, cukup moderat dalam mengenali sentimen negatif, namun masih lemah dalam mengklasifikasikan sentimen netral akibat keterbatasan jumlah data.Analisis WordCloud turut menguatkan temuan tersebut, di mana ulasan positif didominasi oleh kata-kata bernuansa apresiasi, ulasan negatif banyak memuat keluhan terkait fungsi aplikasi maupun pembaruan, sedangkan ulasan netral lebih menekankan deskripsi atau permintaan yang informatif.

Untuk penelitian lanjutan, disarankan untuk memperluas jumlah dataset khususnya pada kelas netral agar distribusi data lebih seimbang. Penerapan teknik resampling lanjutan seperti SMOTE atau ADASYN dapat meningkatkan performa pada kelas minoritas. Selain itu, mengeksplorasi model lain seperti Random Forest, XGBoost, atau Deep Learning (CNN/LSTM) sebagai pembanding kinerja dengan SVM. Pendekatan semantik berbasis word embeddings seperti Word2Vec, GloVe, atau BERT dapat dipertimbangkan untuk meningkatkan pemahaman konteks kata dalam analisis. Pengembangan penelitian ini dapat dilakukan dalam bentuk aplikasi praktis berbasis web atau mobile yang mampu melakukan analisis sentimen secara real-time, sehingga hasilnya dapat dimanfaatkan secara langsung untuk mendukung pengambilan keputusan.

  1. Deteksi Transaksi Fraud  Kartu Kredit Menggunakan Oversampling ADASYN   dan Seleksi Fitur SVM-RFECV... doi.org/10.25126/Jtiik.20241117640Deteksi Transaksi FraudA Kartu Kredit Menggunakan Oversampling ADASYN A dan Seleksi Fitur SVM RFECV doi 10 25126 Jtiik 20241117640
  2. Implementasi Support Vector Machine dan Resampling dalam Analisis Ulasan Pengguna Google Maps | Jurnal... doi.org/10.31603/komtika.v9i2.14813Implementasi Support Vector Machine dan Resampling dalam Analisis Ulasan Pengguna Google Maps Jurnal doi 10 31603 komtika v9i2 14813
  3. Perbandingan Evaluasi Kernel SVM untuk Klasifikasi Sentimen dalam Analisis Kenaikan Harga BBM | MALCOM:... doi.org/10.57152/malcom.v3i2.897Perbandingan Evaluasi Kernel SVM untuk Klasifikasi Sentimen dalam Analisis Kenaikan Harga BBM MALCOM doi 10 57152 malcom v3i2 897
Read online
File size516.08 KB
Pages12
DMCAReport

Related /

ads-block-test