KOMPARASI METODE SVM DAN BILSTM PADA KLASIFIKASI SENTIMEN APLIKASI PLAY STORE DENGAN TEKNIK HYBRID IMBALANCE HANDLING

Daryl Ariffadillah; Rakha Rajendra Putra Candrasa; Sonu Mutiara Rahma; Risca Lusiana  Pratiwi; Rani Irma  Handayani

doi:10.23960/jitet.v14i1.8313

Authors

Daryl Ariffadillah Universitas Bina Sarana Informatika
Rakha Rajendra Putra Candrasa
Sonu Mutiara Rahma Universitas Bina Sarana Informatika
Risca Lusiana Pratiwi, M. Kom Universitas Bina Sarana Informatika
Rani Irma Handayani, M. Kom Universitas Nusa Mandiri

DOI:

https://doi.org/10.23960/jitet.v14i1.8313

Abstract Views: 42 File Views: 30

Keywords:

Klasifikasi Sentimen, SVM, BiLSTM, Imbalance Handling

Abstract

Penelitian ini melakukan perbandingan kinerja model klasifikasi sentimen pada ulasan aplikasi Google Play Store, dengan fokus utama mengatasi tantangan ketidakseimbangan data. Masalah inti yang ditangani adalah distribusi data yang sangat miring (rasio Positif vs. Negatif ratio≈6:1). Metodologi yang digunakan menerapkan pendekatan komparatif hybrid, yang mengadu Support Vector Machine (SVM) dengan SMOTE (oversampling) melawan Bi-directional LSTM (BiLSTM) dengan Undersampling. Sebanyak 12.973 ulasan valid digunakan untuk pemodelan. Hasil evaluasi menunjukkan bahwa model BiLSTM + Undersampling memberikan kinerja keseluruhan yang superior, mencapai Akurasi 0.8882 dan F1-Score Weighted Avg 0.8940. Kinerja superior ini divalidasi lebih lanjut oleh F1-Score untuk kelas Negatif sebesar 0.6596 (lebih tinggi dari SVM), menunjukkan bahwa BiLSTM lebih efektif dalam mencapai akurasi klasifikasi yang seimbang untuk kelas minoritas. Studi ini menegaskan kemanjuran arsitektur deep learning yang stabil (BiLSTM) dikombinasikan dengan strategi sampling yang efisien (Undersampling) untuk data tekstual yang sangat tidak seimbang.

Downloads

Download data is not yet available.

References

K. Andesa, “Super Agent Chatbot ‘ 3S ’ Sebagai Media Informasi Menggunakan Metoda Natural Language Processing ( NLP ),” vol. 2, no. 1, pp. 53–64, 2019.

Y. Ansori, K. Fahmi, and H. Holle, “Perbandingan Metode Machine Learning dalam Analisis Sentimen Twitter Comparison of Machine Learning Methods in Twitter Sentiment Analysis,” vol. 10, no. 4, pp. 1–6, 2022, doi: 10.26418/justin.v10i4.51784.

S. Khairunnisa and S. Al Faraby, “Pengaruh Text Preprocessing terhadap Analisis Sentimen Komentar Masyarakat pada Media Sosial Twitter ( Studi Kasus Pandemi,” vol. 5, no. April, pp. 406–414, 2021, doi: 10.30865/mib.v5i2.2835.

M. Ibrahim, “PERBANDINGAN FEATURE EXTRACTION TF-IDF DAN BOW UNTUK,” pp. 1449–1463.

P. Harga and S. Menggunakan, “JURNAL RESTI,” vol. 5, pp. 1–2, 2026.

V. No and F. Y. A, “Edumatic : Jurnal Pendidikan Informatika Optimasi Klasifikasi Sentimen Ulasan Game Berbahasa Indonesia : IndoBERT dan SMOTE untuk Menangani Ketidakseimbangan Kelas,” vol. 9, no. 1, pp. 256–265, 2025, doi: 10.29408/edumatic.v9i1.29666.

L. Afuan, M. Khanza, and A. Z. Hasyati, “ENHANCING SENTIMENT ANALYSIS OF THE 2024 INDONESIAN PRESIDENTIAL INAUGURATION ON X USING SMOTE-OPTIMIZED NAIVE BAYES CLASSIFIER PENINGKATAN ANALISIS SENTIMEN PELANTIKAN PRESIDEN RI TAHUN 2024 PADA X MENGGUNAKAN NAIVE BAYES CLASSIFIER YANG DIOPTIMALKAN,” vol. 6, no. 1, pp. 325–333, 2025.

I. K. Dharmendra, I. M. Agus, W. Putra, and Y. P. Atmojo, “Evaluasi Efektivitas SMOTE dan Random Under Sampling pada Klasifikasi Emosi Tweet,” vol. 9, no. 2, pp. 192–193, 2024.

M. Fasttext, D. A. N. Long, S. M. Lstm, A. F. Pangestu, B. Rahmat, and A. N. Sihananto, “Analisis sentimen pada media sosial x terhadap implementasi kurikulum merdeka menggunakan metode fasttext dan long short-term memory (lstm),” vol. 9, no. 4, pp. 2271–2280, 2024.

K. S. Putri, I. R. Setiawan, A. Pambudi, A. Sentimen, and N. B. Classifier, “‘Technologia’ Vol 14, No. 3, Juli 2023 227 ANALISIS SENTIMEN TERHADAP BRAND SKINCARE LOKAL MENGGUNAKAN NAÏVE BAYES CLASSIFIER,” vol. 14, no. 3, pp. 227–232, 2023.

J. Sains, F. A. Ryandi, D. Pratiwi, S. Sari, and J. Sains, “Analisis Sentimen Masyarakat Di Media Sosial X Terhadap Kemenkes Dengan Naive Bayes dan SVM,” vol. 7, no. 1, pp. 1–6, 2025.

M. A. Nur and N. Wardhani, “Optimasi Normalisasi Kata Pada Data Twitter Untuk Meningkatkan Akurasi Analisis Sentimen ( Studi Kasus Respon Masyarakat Terhadap Layanan Teman Bus ),” vol. 07, no. 04, pp. 237–243, 2022.

D. Wardhani, R. Astuti, and D. D. Saputra, “Optimasi Feature Selection Text Mining : Stemming dan Stopword untuk Sentimen Analisis Aplikasi SatuSehat,” vol. 4, pp. 7537–7548, 2024.

D. Wulan, Y. Rahayu, K. Umam, and M. R. Handayani, “Performance of Machine Learning Algorithms on Imbalanced Sentiment Datasets Without Balancing Techniques,” vol. 9, no. 3, pp. 998–1005, 2025.

S. Mutmainah, D. H. Fudholi, and S. Hidayat, “Analisis Sentimen dan Pemodelan Topik Aplikasi Telemedicine Pada Google Play Menggunakan BiLSTM dan LDA,” vol. 7, pp. 312–323, 2023, doi: 10.30865/mib.v7i1.5486.

P. A. Effendi and T. Ernawati, “ANALISIS SENTIMEN ULASAN APLIKASI GAME ALGORITMA,” vol. 13, no. 3, pp. 1–8, 2024.