##plugins.themes.academic_pro.article.main##
Penerapan Metode Support Vector Machine Untuk Analisis Sentimen Ulasan Aplikasi Threads di Google Play Store
Abstract
Pertumbuhan penggunaan media sosial mendorong meningkatnya jumlah ulasan pengguna yang mencakup pendapat dan pengalaman terhadap suatu aplikasi. Dengan menggunakan algoritma Support Vector Machine (SVM), penelitian ini menyelidiki persepsi pengguna aplikasi Threads di Google Play Store. Data diperoleh melalui teknik scraping sebanyak 5.000 ulasan berbahasa Indonesia. Data tersebut kemudian diproses melalui tahap prapemrosesan teks yang mencakup pembersihan data, case folding, normalisasi, tokenisasi, stopword removal, stemming, serta penghapusan data kosong. Proses pelabelan sentimen dilakukan secara semi-otomatis berdasarkan nilai rating dan dikelompokkan ke dalam tiga kategori, yaitu positif, netral, dan negatif. Metode Frequency-Inverse Document Frequency (TF-IDF) dipakai untuk membangun representasi fitur. Kemudian, klasifikasi dilakukan menggunakan model SVM dengan kernel Radial Basis Function (RBF), dan metrik akurasi dan confusion matrix digunakan untuk mengevaluasi. Hasil penelitian menunjukkan tingkat akurasi 96,29% pada data pelatihan dan 77,68% pada data pengujian, sehingga menunjukkan bahwa kombinasi TF-IDF dan SVM efektif dalam analisis sentimen ulasan aplikasi berbahasa Indonesia.
##plugins.themes.academic_pro.article.details##
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
References
S. Fransiska, R. Rianto, and A. I. Gufroni, “Sentiment Analysis Provider By.U on Google Play Store Reviews with TF-IDF and Support Vector Machine (SVM) Method,” UNP J. Sustain. Data Sci., vol. 1, no. 2, pp. 45–53, 2020.
N. P. Husain, S. Sukirman, and S. Sajiah, “Analisis Sentimen Ulasan Pengguna TikTok pada Google Play Store Berbasis TF-IDF dan Support Vector Machine,” J. Syst. Comput. Eng., vol. 5, no. 2, pp. 88–97, 2024.
R. Lestari, A. Wijaya, and D. Prasetyo, “Sentiment Analysis of iPusnas Application Reviews on Google Play Using Support Vector Machine,” J. Smart Comput. Eng., vol. 3, no. 1, pp. 25–33, 2022.
M. Imanuddin, S. Adi, and R. Gernowo, “Sentiment Analysis on SatuSehat Application Using Support Vector Machine,” J. Inf. Syst. Res., vol. 6, no. 3, pp. 110–118, 2023.
M. Sakhdiah, A. Salma, and D. Permana, “Sentiment Analysis Using Support Vector Machine (SVM) of ChatGPT Application Users in Play Store,” Indones. J. Technol. Innov., vol. 4, no. 1, pp. 12–20, 2024.
P. Guleria, J. Frnda, and P. N. Srinivasu, “Improving Text Classification Performance Using TF-IDF and Machine Learning Algorithms,” Appl. Sci., vol. 15, no. 2, pp. 1–14, 2025.
A. Tanveer, M. Z. Khan, and S. Ahmad, “Performance Analysis of Support Vector Machine with RBF Kernel for Text Classification,” Int. J. Adv. Comput. Sci. Appl., vol. 13, no. 4, pp. 421–428, 2022.
E. Alpaydin, Introduction to Machine Learning, 4th ed. Cambridge, MA, USA: MIT Press, 2020.
A. Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd ed. Sebastopol, CA, USA: O’Reilly Media, 2022.
J. Leskovec, A. Rajaraman, and J. D. Ullman, Mining of Massive Datasets, 3rd ed. Cambridge, UK: Cambridge University Press, 2020.
