Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal JOINTECOMS (Journal of Information Technology and Computer Science)
Diya Ulhaque Muntaz Waris, Auriel
Unknown Affiliation
Computer Science & IT

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Perbandingan Kinerja Model Probabilistic, Linear Model, Instance-Based, dan Ensemble Learning (Studi Kasus: Ulasan Google Playstore Aplikasi Threads) Diya Ulhaque Muntaz Waris, Auriel; Kristianti, Novera; Sylviana, Felicia
Journal of Information Technology and Computer Science Vol. 6 No. 1 (2026): JOINTECOMS : Journal of Information Technology and Computer Science
Publisher : Universitas Palangka Raya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47111/jointecoms.v6i1.25770

Abstract

Pertumbuhan Threads sebagai media sosial baru memunculkan kebutuhan akan pemahaman sentimen pengguna. Ulasan di Google Play Store menjadi sumber penting untuk menangkap persepsi publik terhadap fitur dan performa aplikasi. Sebagai platform yang masih berkembang, Threads menyediakan peluang strategis bagi pengembang untuk merespons masukan secara tepat. Namun, besarnya volume dan format ulasan yang tidak seragam menyulitkan proses analisis secara manual. Penelitian ini membandingkan kinerja empat algoritma Naïve Bayes (probabilistic), SVM (linear), K-NN (instance-based), dan Random Forest (ensemble) dalam klasifikasi sentimen ulasan Threads. Penelitian ini dimulai dengan studi literatur dan pengumpulan data ulasan Threads melalui scraping. Dilabeli menggunakan IndoBERT, proses preprocessing mencakup remove duplicate, cleaning, normalization, tokenization, stopwords dan lemmatization, diekstraksi dengan TF-IDF, diseimbangkan memakai SMOTE, lalu dibagi 80:20 untuk latih dan uji. Evaluasi mencakup akurasi, presisi, recall, F1-score, serta waktu pelatihan dan prediksi. Hasil menunjukkan Random Forest menjadi algoritma terbaik (akurasi 81,8%; F1-score 76,6%), disusul SVM (81,4%; 75,9%), Naïve Bayes (79,1%; 72,4%), dan K-NN (61,2%; 57,6%). Random Forest unggul hampir di semua metrik, SVM efisien dengan performa seimbang, Naïve Bayes menonjol pada kecepatan, sementara K-NN lambat pada prediksi. Untuk implementasi, dibangun dashboard interaktif berbasis Streamlit guna memvisualisasikan perkembangan dan prediksi sentimen pengguna Threads.
Co-Authors Felicia Sylviana Kristianti, Novera