Penerapan Metode Support Vector Machine (SVM) dalam Analisis Sentimen Ulasan Aplikasi Tokopedia di Google Play Store
DOI:
https://doi.org/10.30812/corisindo.v1.5270Keywords:
analisis sentimen, Tokopedia, Google Play Store, SVM, KlasifikasiAbstract
Penelitian ini bertujuan untuk menganalisis sentimen ulasan pengguna aplikasi Tokopedia di Google Play Store menggunakan metode Support Vector Machine (SVM). Data dikumpulkan melalui teknik web scraping dan terdiri atas teks ulasan serta rating pengguna. Tahapan penelitian mencakup preprocessing teks (case folding, tokenisasi, normalisasi, stopword removal, dan stemming), pelabelan sentimen berdasarkan rating, serta klasifikasi dengan algoritma SVM. Dataset dibagi dengan rasio 80:20 untuk pelatihan dan pengujian model. Hasil evaluasi menunjukkan bahwa model menghasilkan akurasi sebesar 77,91% dengan nilai precision positif 78%, recall positif 83%, dan F1-score positif 81%. Analisis menunjukkan bahwa aspek layanan, pengiriman, dan kualitas barang menjadi isu utama dalam persepsi pengguna. Model mampu mengklasifikasikan sentimen dengan baik, khususnya pada kelas positif, namun cenderung mengalami kesalahan pada kelas negatif. Temuan ini menunjukkan bahwa algoritma SVM efektif diterapkan dalam analisis sentimen berbahasa Indonesia, serta dapat dimanfaatkan untuk mendukung pengambilan keputusan strategis oleh penyedia layanan aplikasi. Penelitian ini juga merekomendasikan pengembangan lebih lanjut dengan pendekatan deep learning untuk menangkap konteks semantik secara lebih mendalam.
References
[1] 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.
[2] M. Ahmad, S. Aftab, M. S. Bashir, N. Hameed, I. Ali, and Z. Nawaz, “SVM optimization for sentiment analysis,” Int. J. Adv. Comput. Sci. Appl., vol. 9, no. 4, pp. 393–398, 2018, doi: 10.14569/IJACSA.2018.090455.
[3] R. Obiedat et al., “Sentiment Analysis of Customers’ Reviews Using a Hybrid Evolutionary SVM-Based Approach in an Imbalanced Data Distribution,” IEEE Access, vol. 10, pp. 22260–22273, 2022, doi: 10.1109/ACCESS.2022.3149482.
[4] R. S. Putra and R. Dijaya, “Analisis Sentimen Pada Ulasan Aplikasi Ferizy Menggunakan Metode Support Vector Machine,” Archive.Umsida.Ac.Id, pp. 1–10, 2023, [Online]. Available: https://archive.umsida.ac.id/index.php/archive/preprint/view/3441
[5] D. Pajri, Y. Umaidah, and T. N. Padilah, “K-Nearest Neighbor Berbasis Particle Swarm Optimization untuk Analisis Sentimen Terhadap Tokopedia,” J. Tek. Inform. dan Sist. Inf., vol. 6, no. 2, pp. 242–253, 2020, doi: 10.28932/jutisi.v6i2.2658.
[6] I. S. Milal, M. H. M. Hasanudin, M. A. Nur Azhari, R. A. Nugraha, N. Agustina, and S. E. Damayanti, “Klasifikasi Teks Review Pada E-Commerce Tokopedia Menggunakan Algoritma Svm,” Naratif J. Nas. Riset, Apl. dan Tek. Inform., vol. 5, no. 1, pp. 34–45, 2023, doi: 10.53580/naratif.v5i1.191.
[7] M. I. Putri and I. Kharisudin, “Penerapan Synthetic Minority Oversampling Technique (SMOTE) Terhadap Analisis Sentimen Data Review Pengguna Aplikasi Marketplace Tokopedia,” Prism. Pros. Semin. Nas. Mat., vol. 5, pp. 759–766, 2022, [Online]. Available: https://journal.unnes.ac.id/sju/index.php/prisma/
[8] R. Apriani and D. Gustian, “Analisis Sentimen Dengan Naïve Bayes Terhadap Komentar Aplikasi Tokopedia,” J. Rekayasa Teknol. Nusa Putra, vol. 6, no. 1, pp. 54–62, 2019, doi: 10.52005/rekayasa.v6i1.86.
[9] S. M. Salsabila, A. Alim Murtopo, and N. Fadhilah, “Analisis Sentimen Pelanggan Tokopedia Menggunakan Metode Naïve Bayes Classifier,” J. Minfo Polgan, vol. 11, no. 2, pp. 30–35, 2022, doi: 10.33395/jmp.v11i2.11640.
[10] R. Tineges, A. Triayudi, and I. D. Sholihati, “Analisis Sentimen Terhadap Layanan Indihome Berdasarkan Twitter Dengan Metode Klasifikasi Support Vector Machine (SVM),” J. Media Inform. Budidarma, vol. 4, no. 3, p. 650, 2020, doi: 10.30865/mib.v4i3.2181.
[11] J. Alga, C. Wulandari, and B. Intan, “Analisis Sentimen Aplikasi Youtube di Google Play Store Menggunakan Machine Learning,” vol. 4, no. 4, pp. 408–416, 2024.
