##plugins.themes.academic_pro.article.main##
Perbandingan Sentimen Ulasan Aplikasi Gemini Pada Google Play Store Menggunakan Metode SVM dan Naive Bayes
Abstract
Teknologi kecerdasan buatan (AI) berkembang pesat dan telah diterapkan di berbagai aspek kehidupan masyarakat, termasuk chatbot seperti Gemini AI dari Google. Meskipun memiliki banyak fitur menarik, beberapa pengguna telah mengungkapkan ketidakpuasan terhadap fungsionalitas aplikasi tersebut. Berdasarkan ulasan dari Google Play Store, penelitian ini menyelidiki persepsi pengguna terhadap aplikasi Gemini. Metode Support Vector Machine dan Naive Bayes digunakan untuk menganalisis 1.000 ulasan yang dikumpulkan melalui proses scraping. Pra-pemrosesan, pembobotan TF-IDF, pemisahan data, implementasi algoritma, dan evaluasi model Google Colab merupakan bagian dari fase penelitian. Berdasarkan temuan penelitian ini, SVM mencapai akurasi 81,4%, sedangkan teknik Naive Bayes mencapai akurasi terbaik sebesar 82,4%. Hasil analisis mengindikasikan bahwa kedua metode memiliki kemampuan yang lebih baik dalam klasifikasi sentimen positif relatif terhadap sentimen negatif.
##plugins.themes.academic_pro.article.details##
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
References
A. D. Pratama and H. Hendry, “Analisa Sentimen Masyarakat Terhadap Penggunaan Chatgpt Menggunakan Metode Support Vector Machine (Svm),” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 9, no. 1, pp. 327–338, 2024, doi: 10.29100/jipi.v9i1.4285.
R. Maulida, “Komparasi Respons ChatGPT dan Gemini terhadap Command Pattern Identik dengan Metode Black Box,” vol. X, no. 2, pp. 2442–2445, 2024.
O. Manullang and C. Prianto, “Analisis Sentimen dalam Memprediksi Hasil Pemilu Presiden dan Wakil Presiden : Systematic Literature Review,” J. Inform. Dan Teknol. Komput., vol. 4, no. 2, pp. 104–113, 2023, [Online]. Available: https://ejurnalunsam.id/index.php/jicom/.
A. S. Pamungkas and N. Cahyono, “Analisis Sentimen Review ChatGPT di Play Store menggunakan Support Vector Machine dan K-Nearest Neighbor,” Edumatic J. Pendidik. Inform., vol. 8, no. 1, pp. 1–10, 2024, doi: 10.29408/edumatic.v8i1.24114.
I. K. Najibulloh, D. Intan, and S. Saputra, “Edumatic : Jurnal Pendidikan Informatika Analisis Sentimen Ulasan Co-Pilot Google Play dengan SVM , Neural Network , dan Decision Tree,” vol. 9, no. 1, pp. 275–283, 2025, doi: 10.29408/edumatic.v9i1.29673.
A. Of, H. Disease, P. Using, A. C. Study, and M. L. Algorithms, “Analisis Prediksi Penyakit Jantung Menggunakan Perbandingan Algoritma Machine Learning Analysis Of Heart Disease Prediction Using A Comparative Study Of,” vol. 4, no. 2, pp. 262–269, 2025.
S. Kusumo, “Penerapan Web Scraping Deskripsi Produk Menggunakan Selenium Python Dan Framework Laravel,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 9, no. 4, pp. 3426– 3435, 2022, doi: 10.35957/jatisi.v9i4.2727.
H. H. Mubaroroh, H. Yasin, and A. Rusgiyono, “Analisis Sentimen Data Ulasan Aplikasi Ruangguru Pada Situs Google Play Menggunakan Algoritma Naive Bayes Classifier Dengan Normalisasi Kata Levenshtein Distance,” J. Gaussian, vol. 11, no. 2, pp. 248–257, 2022, doi: 10.14710/j.gauss.v11i2.35472.
D. Moldovan, “A majority voting framework for reliable sentiment analysis of product reviews,” PeerJ Comput. Sci., vol. 11, pp. 1–31, 2025, doi: 10.7717/peerj-cs.2738.
D. Septiani and I. Isabela, “Analisis Term Frequency Inverse Document Frequency (TF-IDF) Dalam Temu Kembali Informasi Pada Dokumen Teks,” SINTESIA J. Sist. dan Teknol. Inf. Indones., vol. 1, no. 2, pp. 81–88, 2023.
O. Muhammad et al., “Analisa Algoritma Support Vector Machine Pada Data Bunga Iris,” vol. 30, no. 1, pp. 477–487, 2022.
M. Iqbal, “Penerapan Metode Naive Bayes Pada Ulasan Aplikasi Reelshort,” vol. 10, no. 1, pp. 49–59, 2025.
T. Gori, A. Sunyoto, and H. Al Fatta, “Preprocessing Data dan Klasifikasi untuk Prediksi Kinerja Akademik Siswa,” J. Teknol. Inf. dan Ilmu Komput., vol. 11, no. 1, pp. 215–224, 2024, doi: 10.25126/jtiik.20241118074.
