Analisis Sentimen Ulasan Pengguna Aplikasi ZenPro dengan Implementasi Algoritma Support Vector Machine (SVM)

Muhammad Indra Buana; Dede Brahma Arianto

doi:10.30872/atasi.v3i1.1092

Authors

Muhammad Indra Buana Universitas Mulawarman
Dede Brahma Arianto Universitas Islam Indonesia

DOI:

https://doi.org/10.30872/atasi.v3i1.1092

Keywords:

Sentimen, Aplikasi Zenpro, Algoritma Support Machine Vector

Abstract

Penelitian ini bertujuan menganalisis sentimen ulasan pengguna terhadap aplikasi ZenPro, sebuah platform terkenal untuk keperluan manajemen waktu dan produktivitas. Melalui pengumpulan data dari ulasan-ulasan yang ditinggalkan oleh pengguna ZenPro di platform tersebut, analisis sentimen menjadi penting untuk memahami bagaimana pengguna merasakan dan menilai pengalaman mereka dengan aplikasi ini.

Penelitian ini bertujuan untuk mengklasifikasikan sentimen ulasan menjadi dua kategori: positif dan negatif, dengan menggunakan algoritma Support Vector Machine (SVM). Analisis sentimen diperlukan untuk memberikan wawasan yang lebih mendalam tentang aspek-aspek mana yang mempengaruhi sentimen pengguna, apakah itu kepuasan terhadap fitur-fitur aplikasi, antarmuka pengguna, atau layanan pelanggan.

Hasil dari penelitian menunjukkan, dengan SVM mampu mengklasifikasikan sentimen ulasan dengan tingkat akurasi yang sangat tinggi, mencapai 90%. Selain itu, matrik evaluasi seperti recall, precision, dan f1 score juga menunjukkan hasil yang sangat baik, yaitu sebesar 94%, 93%, dan 93% secara

References

V. Fitriyana, L. Hakim, D. C. R. Novitasari, A. Hanif, and Asyhar, “Analisis Sentimen Ulasan Aplikasi Jamsostek Mobile Menggunakan Metode Support Vector Machine,” J. Buana Inform., vol. 14, no. 1, pp. 40–49, 2023.

A. Erfina, E. S. Basryah, A. Saepulrohman, and D. Lestari, “Analisis Sentimen Aplikasi Pembelajaran Online di Play Store Pada Masa Pandemi Covid-19 Menggunakan Algoritma Support Vector Machine (SVM),” 2020.

E. Indrayuni, A. Nurhadi, and D. A. Kristiyanti, “Implementasi Algoritma Naive Bayes, Support Vector Machine, dan K-Nearest Neighbors Untuk Analisa Sentimen Aplikasi Halodoc,” J. Fakt. Exacta, vol. 14, no. 2, pp. 64–71, 2021.

D. A. Fitri and A. Putri, “Analisis sentimen pengguna aplikasi google meet menggunakan alagoritma support vector machine,” J. Comput. Sci. Inf. Technol., vol. 3, no. 3, pp. 472–478, 2022.

F. Bei and S. Saepudin, “Analisis Sentimen Aplikasi Tiket Online Di Play Store Menggunakan Metode Support Vector Machine (SVM),” 2021.

M. F. Al-shufi and A. Erfina, “Sentimen Analisis Mengenai Aplikasi Streaming Film Menggunakan Algoritma Support Vector Machine Di Play Store,” 2021.

L. Luthfiana, “Implementasi Algoritma Support Vector Machine dan Chi Square untuk Analisis Sentimen User Feedback Aplikasi,” ULTIMATICS, vol. 12, no. 2, 2020.

A. Erfina and N. R. Wardani, “Analisis Sentimen Perguruan Tinggi Termewah Di Indonesia Menurut Ulasan Google Maps Menggunakan Support Vector Machine (SVM),” J. Manaj. Inform. Sist. Inf., vol. 5, no. 1, 2022.

C. Chairunnisa, “Klasifikasi Sentimen Ulasan Pengguna Aplikasi PeduliLindungi di Google Play Menggunakan Algoritma Support Vector Machine dengan Seleksi Fitur Chi-Square,” J. Inform., vol. 18, no. 1, 2022.

Rachmadana Ismail, A., Bagus, R., Hakim, F., and Artikel, R. (2023). “Implementasi Lexicon Based Untuk Analisis Sentimen Dalam Mengetahui Trend Wisata Pantai Di DI Yogyakarta Berdasarkan Data Twitter P-ISSN E-ISSN.” In Emerging Statistics and Data Science Journal (Vol. 1, Issue 1).

I. D. Onantya, “Analisis Sentimen Pada UlasanAplikasiBCAMobileMenggunakan BM25 Dan Improved K-Nearest Neighbor,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 3, no. 3, 2019.

I. S. K. Idris, “Analisis Sentimen Terhadap Penggunaan Aplikasi Shopee Mengunakan Algoritma Support Vector Machine (SVM),” Jambura J. Electr. Electron. Eng., vol. 5, no. 1, 2023.

V. Fitriyana, “Analisis Sentimen Ulasan Aplikasi Jamsostek Mobile Menggunakan Metode Support Vector Machine,” J. Buana Inform., vol. 14, no. 1, 2023.

H. C. Husada and A. S. Paramita, “Analisis Sentimen Pada Maskapai Penerbangan di Platform Twitter Menggunakan Algoritma Support Vector Machine (SVM),” Teknika (Jurnal Teknologi Informasi dan Komunikasi), vol. 10, no. 1, 2021.