<![CDATA[Perkembangan teknologi mendorong penyedia layanan internet seperti MyRepublic untuk terus mengevaluasi layanannya melalui ulasan pengguna di Google Play Store. Namun, ribuan ulasan yang tidak terstruktur dan didominasi oleh keluhan pelanggan menyulitkan pihak pengembang untuk melakukan analisis secara manual dan efisien. Penelitian ini bertujuan untuk menerapkan teknik Text Mining menggunakan algoritma Support Vector Machine (SVM) guna mengklasifikasikan sentimen pengguna ke dalam kategori positif dan negatif secara otomatis sebagai bahan referensi evaluasi layanan. Metodologi yang digunakan mengacu pada kerangka kerja Knowledge Discovery in Database (KDD) yang meliputi ekstraksi 1.000 data ulasan, preprocessing, pelabelan hybrid menggunakan InSet Lexicon dan validasi manual, transformasi data dengan TF-IDF, serta pemodelan SVM Linear Kernel dengan rasio pembagian data latih dan data uji sebesar 80:20. Hasil pengujian Confusion Matrix menunjukkan bahwa model algoritma SVM mencapai tingkat akurasi sebesar 94,50%. Namun, tingginya angka akurasi ini dipengaruhi oleh ketidakseimbangan data (data imbalance) yang ekstrem dengan proporsi 94% kelas negatif. Hal ini dibuktikan dari evaluasi metrik yang menunjukkan tingkat Recall kelas negatif mencapai 100%, sementara kelas positif hanya sebesar 8,33%. Dengan demikian, model ini memiliki sensitivitas yang sangat tinggi dalam mendeteksi mayoritas keluhan pelanggan secara presisi, namun belum dapat diklaim handal secara keseluruhan karena masih kesulitan dalam mengklasifikasikan sentimen positif akibat ketimpangan data pelatihannya.]]>
