OPTIMASI ANALISIS SENTIMEN APLIKASI GLINTS MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE (SVM)
DOI:
https://doi.org/10.23960/jitet.v13i1.5681Abstract Views: 502 File Views: 330
Abstract
Teknologi informasi telah mengubah cara orang mencari pekerjaan, dan aplikasi seperti Glints adalah salah satu contohnya. Namun, lebih banyak ulasan pengguna membuat analisis sentimen sulit. Pengelolaan fitur yang relevan dan pemilihan parameter yang ideal adalah masalah utama. Dengan menggunakan algoritma Support Vector Machine (SVM), penelitian ini mengoptimalkan analisis sentimen ulasan Glints. Sebanyak 2000 ulasan dari Playstore dikumpulkan melalui scraping, dengan 69,2% positif, 16,6% netral, dan 14,2% negatif. Dalam proses pra-pemrosesan, case folding dan transformasi fitur menggunakan TF-IDF dengan unigram dan bigram dilakukan. Model SVM memiliki tingkat akurasi tinggi sebesar 92 persen, presisi sebesar 87%, recall sebesar 86%, dan F1-Score sebesar 86%. Implementasi berbasis Streamlit memungkinkan analisis sentimen dalam waktu nyata. Hasil ini membantu pengembang Glints meningkatkan layanan yang diberikan oleh pengguna.
Keyword : Analisis Sentimen, Support Vector Machine (SVM), Aplikasi Glints, Klassifikasi Sentimen.
Downloads
References
B. A. Maulana, M. J. Fahmi, A. M. Imran, and N. Hidayati, “Analisis Sentimen Terhadap Aplikasi Pluang Menggunakan Algoritma Naive Bayes dan Support Vector Machine (SVM),” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. 2, pp. 375–384, Feb. 2024, doi: 10.57152/malcom.v4i2.1206.
T. Sugihartono and R. R. C. Putra, “PENERAPAN METODE SUPPORT VECTOR MACHINE DALAM CLASSIFIKASI ULASAN PENGGUNA APLIKASI MOBILE JKN,” SKANIKA Sist. Komput. dan Tek. Inform., vol. 7, no. 2, pp. 144–153, Jul. 2024, doi: 10.36080/skanika.v7i2.3193.
D. Angraina and A. Putri, “Analisis Sentimen Pengguna Aplikasi Google Meet Menggunakan Algoritma Support Vector Machine,” J. CoSciTech (Computer Sci. Inf. Technol., vol. 3, no. 3, pp. 472–478, 2022, doi: 10.37859/coscitech.v3i3.4260.
R. Nurfitriana Handayani, “Optimasi Algoritma Support Vector Machine Untuk AnalisisSentimen Pada Ulasan Produk Tokopedia Menggunakan Pso,” Media Inform., vol. 20, no. 2, pp. 97–108, 2021.
B. S. Rintyarna et al., “Modelling Service Quality of Internet Service Providers during COVID-19: The Customer Perspective Based on Twitter Dataset,” Informatics, vol. 9, no. 1, pp. 1–12, 2022, doi: 10.3390/informatics9010011.
R. Wahyudi et al., “Analisis Sentimen pada review Aplikasi Grab di Google Play Store Menggunakan Support Vector Machine,” J. Inform., vol. 8, no. 2, 2021, [Online]. Available: http://ejournal.bsi.ac.id/ejurnal/index.php/ji
R. Merdiansah and A. Ali Ridha, “Sentiment Analysis of Indonesian X Users Regarding Electric Vehicles Using IndoBERT,” J. Ilmu Komput. dan Sist. Inf. (JIKOMSI, vol. 7, no. 1, pp. 221–228, 2024.
M. Alfin, Z. Abidin, and P. M. N. S. A. Basid, “Peringkasan Multi Dokumen Berbahasa Indonesia Menggunakan Metode Recurrent Neural Network,” Techno.Com, vol. 23, no. 1, pp. 187–197, 2024, doi: 10.62411/tc.v23i1.9605.
A. R. Lubis and M. K. M. Nasution, “Twitter Data Analysis and Text Normalization in Collecting Standard Word,” J. Appl. Eng. Technol. Sci., vol. 4, no. 2, pp. 855–863, 2023, doi: 10.37385/jaets.v4i2.1991.
M. S. F. Fayaza and F. F. Farhath, “Towards Stopwords Identification in Tamil Text Clustering,” Int. J. Adv. Comput. Sci. Appl., vol. 12, no. 12, pp. 524–529, 2021, doi: 10.14569/IJACSA.2021.0121267.
R. I. Agustin, “Komparasi Algoritma Naïve Bayes Dan Svm Untuk Analisis Sentimen Twitter Korupsi Bansos Beras Masa Pandemi,” J. Inform. dan Tek. Elektro Terap., vol. 12, no. 2, pp. 912–918, 2024, doi: 10.23960/jitet.v12i2.4020.
I. T. Julianto, “Analisis Sentimen Terhadap Sistem Informasi Akademik Institut Teknologi Garut,” J. Algoritm., vol. 19, no. 1, pp. 449–456, 2022, doi: 10.33364/algoritma/v.19-1.1112.
