Klasifikasi Sentimen Ulasan Pengguna Aplikasi Mobile Menggunakan Algoritma Support Vector Machine
Keywords:
Klasifikasi Sentimen, Support Vector Machine, Ulasan Aplikasi Mobile, TF-IDF, Analisis OpiniAbstract
Pertumbuhan aplikasi mobile meningkatkan volume ulasan pengguna yang memuat opini penting bagi pengembang. Penelitian ini bertujuan mengklasifikasikan sentimen ulasan aplikasi menjadi positif, negatif, dan netral menggunakan algoritma Support Vector Machine (SVM). Dataset terdiri dari 5.000 ulasan yang diambil dari Google Play Store, kemudian melalui proses preprocessing meliputi tokenisasi, stopword removal, dan stemming. Fitur diekstraksi menggunakan metode TF-IDF, kemudian dilatih dan diuji menggunakan SVM dengan K-fold cross-validation. Hasil menunjukkan model SVM mampu mencapai akurasi 87%, presisi 85%, recall 86%, dan F1-score 85,5%. Analisis menunjukkan performa dipengaruhi panjang ulasan dan penggunaan istilah informal. Temuan ini menegaskan efektivitas SVM dalam klasifikasi sentimen ulasan aplikasi mobile serta memberikan dasar bagi pengembang untuk memahami opini pengguna secara otomatis.
Downloads
References
Ansori, A., Damyati, F., & Dhestyani, S. A. (2025). Assessing AI Integration in Islamic Higher Education: A Mixed-Methods Fishbone Diagram Analysis. IJID (International Journal on Informatics for Development), 13(2), 504–516.
Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3), 273–297. doi:10.1007/BF00994018.
Fadli, R., & Nugroho, L. E. (2022). Analisis sentimen ulasan aplikasi mobile berbasis SVM dengan preprocessing adaptif. Jurnal Teknologi Informasi dan Komunikasi, 12(2), 45–56.
Joachims, T. (1998). Text categorization with support vector machines: Learning with many relevant features. Lecture Notes in Computer Science, 1398, 137–142. doi:10.1007/BFb0026683.
Kurniawan, R., Wibowo, A., & Santoso, D. (2021). Penerapan SVM untuk klasifikasi sentimen ulasan aplikasi berbahasa Indonesia. Jurnal Sistem Informasi, 17(1), 23–32.
Liu, B. (2020). Sentiment analysis: Mining opinions, sentiments, and emotions (2nd ed.). Cambridge University Press.
Madjid, M. F., Ratnawati, D. E., & Rahayudi, B. (2023). Sentiment analysis on app reviews using Support Vector Machine and Naïve Bayes classification. Sinkron: Jurnal dan Penelitian Teknik Informatika, 7(1), 556–562. doi:10.33395/sinkron.v8i1.12161.
Medhat, W., Hassan, A., & Korashy, H. (2014). Sentiment analysis algorithms and applications: A survey. Ain Shams Engineering Journal, 5(4), 1093–1113. doi:10.1016/j.asej.2014.04.011.
Nevrada, N. A., & Syaputra, M. A. (2025). Sentiment analysis of Telegram app reviews on Google Play Store using the Support Vector Machine (SVM) algorithm. Journal of Applied Informatics and Computing, 9(1), 96–105. doi:10.30871/jaic.v9i1.8851.
Pang, B., & Lee, L. (2008). Opinion mining and sentiment analysis. Foundations and Trends in Information Retrieval, 2(1–2), 1–135. doi:10.1561/1500000011.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., VanderPlas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., & Duchesnay, É. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825–2830.
Prasetyo, E., Arifin, Z., & Nugraha, H. (2020). Analisis sentimen ulasan pengguna aplikasi mobile dengan pendekatan machine learning. Jurnal Teknologi dan Sistem Informasi, 18(2), 88–97.
Rakhman, A., Setiawan, I., & Hidayat, R. (2021). Efektivitas Support Vector Machine dalam klasifikasi ulasan aplikasi mobile. Jurnal Informatika Indonesia, 10(3), 112–120.
Rokhmah, S., Permana, D., Elmi, F., & Ansori, A. (2025). AI Implementation as Support for Successful Green Campus Implementation. Educational Process: International Journal, 19, e2025569.
Salton, G., & Buckley, C. (1988). Term-weighting approaches in automatic text retrieval. Information Processing & Management, 24(5), 513–523. doi:10.1016/0306-4573(88)90021-0.
Supriadi, F., & Fauzi, A. (2019). Klasifikasi sentimen teks berbahasa Indonesia menggunakan SVM. Jurnal Ilmu Komputer dan Informasi, 12(1), 15–25.
Suryani, N., & Santosa, P. (2020). Preprocessing adaptif untuk analisis sentimen ulasan aplikasi mobile. Jurnal Teknologi Informasi dan Komunikasi, 11(2), 35–44.
Wicaksono, R., & Firmansyah, D. (2021). Analisis opini pengguna aplikasi berbasis machine learning. Jurnal Sistem dan Teknologi Informasi, 9(1), 50–60.
Yuliana, E., & Maulana, A. (2022). Klasifikasi sentimen menggunakan SVM dengan fitur TF-IDF pada ulasan aplikasi mobile. Jurnal Teknologi dan Informatika, 13(2), 101–110.
Zebua, D. B. M. (2025). Analisis sentimen ulasan aplikasi Citilink menggunakan Support Vector Machine dan TF-IDF. Jurnal Nasional Teknologi Informasi dan Aplikasinya.
