Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Prosiding Seminar Nasional Teknologi Informasi dan Bisnis
Aprilisa Arum Sari
Program Studi Teknik Informatika, Universitas Duta Bangsa Surakarta
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Mechanical Engineering Physics

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
ANALISIS SENTIMEN PADA GAME NEVERNESS TO EVERNESS DENGAN ALGORITMA NAIVE BAYES Muhammad Iqbal Afnan; Bondan Wahyu Pamekas; Aprilisa Arum Sari
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2026
Publisher : Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Ulasan pengguna di Google Play Store merupakan sumber data berharga untuk mengevaluasi kualitas permainan, namun jumlah ulasan yang besar menyulitkan proses analisis sentimen secara manual. Neverness to Everness (NTE) merupakan game open-world RPG yang menarik perhatian komunitas pemain dengan ribuan ulasan di platform tersebut. Penelitian ini bertujuan menganalisis sentimen ulasan pengguna game NTE menggunakan algoritma Naive Bayes Classifier dengan ekstraksi fitur TF-IDF. Data mentah dikumpulkan sebanyak 4.200 ulasan berbahasa Indonesia dari Google Play Store, kemudian diperoleh 3.855 ulasan valid setelah rating 3 (dianggap memiliki sentimen ambigu). Data diberi label semi-otomatis berdasarkan rating bintang (4–5 = positif, 1–2 = negatif). Preprocessing teks meliputi case folding, cleaning, normalisasi slang, stopword removal, stemming, dan tokenisasi menggunakan pustaka Sastrawi. Ekstraksi fitur dilakukan dengan TF-IDF yang menghasilkan 4.921 fitur unik. Mengingat distribusi sentimen yang sangat tidak seimbang (77,7% positif dan 22,3% negatif), teknik SMOTE (Synthetic Minority Over-sampling Technique) diterapkan pada 80% data training. Hasil pengujian pada 20% data testing menunjukkan bahwa algoritma Multinomial Naive Bayes mencapai tingkat akurasi 81,58% dengan recall kelas negatif mencapai 0,77. Berdasarkan confusion matrix, model berhasil memprediksi 133 ulasan negatif dan 496 ulasan positif dengan benar. Nilai precision kelas positif yang mencapai 0,93 menunjukkan bahwa prediksi sentimen positif oleh model memiliki tingkat kepercayaan yang tinggi. Temuan analisis aspek mengungkap bahwa pengguna sangat mengapresiasi gameplay dan grafis permainan, namun menyoroti perlunya optimalisasi teknis terkait performa (lag), bug, dan masalah server. Hasil penelitian ini dapat dimanfaatkan oleh pengembang sebagai dasar evaluasi untuk meningkatkan player experience.
Perbandingan Algoritma Random Forest, Logistic Regression, Support Vector Machine, dan Gradient Boosting untuk Klasifikasi Popularitas Lagu Menggunakan TF-IDF Fikko Nanda Ramadhani; Naaq Shal Ramadanu; Adit Ramadan; Muhammad Ridwan Martana Putra; Aprilisa Arum Sari
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2026
Publisher : Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Perkembangan platform musik digital menghasilkan data dalam jumlah besar yang dapat dimanfaatkan untuk memperoleh informasi melalui teknik data mining, salah satunya klasifikasi. Penelitian ini bertujuan membandingkan performa algoritma Random Forest, Logistic Regression, Support Vector Machine (SVM), dan Gradient Boosting dalam mengklasifikasikan popularitas lagu menggunakan dataset Top 500 Songs. Tahapan penelitian meliputi preprocessing data, pembentukan label berdasarkan posisi lagu pada tangga lagu menjadi kategori Top 10 dan Non Top 10, transformasi data menggunakan TF-IDF pada atribut deskripsi lagu, standardisasi fitur numerik menggunakan StandardScaler, pembagian data dengan rasio 80% data latih dan 20% data uji, serta pembangunan model klasifikasi. Evaluasi dilakukan menggunakan matrix Accuracy, Precision, Recall, F1-Score, dan Confusion Matrix. Hasil pengujian menunjukkan bahwa Logistic Regression memperoleh performa terbaik dengan nilai akurasi sebesar 84%, diikuti Support Vector Machine sebesar 82%, Random Forest sebesar 80%, dan Gradient Boosting sebesar 78%. Hasil penelitian menunjukkan bahwa algoritma Logistic Regression lebih efektif dibandingkan algoritma lainnya dalam mengklasifikasikan popularitas lagu pada dataset yang direpresentasikan menggunakan TF-IDF. Penelitian ini diharapkan dapat menjadi referensi dalam pemilihan algoritma klasifikasi untuk data teks pada bidang musik digital.
Co-Authors Adit Ramadan Bondan Wahyu Pamekas Fikko Nanda Ramadhani Muhammad Iqbal Afnan Muhammad Ridwan Martana Putra Naaq Shal Ramadanu