Article Per Year (5 Year)
p-Index From 2021 - 2026
1.94
P-Index
This Author published in this journals
All Journal Jurnal Informatika J-SAKTI (Jurnal Sains Komputer dan Informatika) Media Informatika Jurnal Pendidikan dan Teknologi Indonesia Jurnal Responsif : Riset Sains dan Informatika J-SAKTI (Jurnal Sains Komputer dan Informatika) Naratif : Jurnal Nasional Riset, Aplikasi dan Teknik Informatika Jurnal Informatika Polinema (JIP) Jurnal Sistem Informasi dan Manajemen SEMINAR TEKNOLOGI MAJALENGKA (STIMA)
Rissa Nurfitriana Handayani
Universitas Adhirajasa Reswara Sanjaya
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Library & Information Science Mechanical Engineering Transportation

Published : 11 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 11 Documents
Search

 1   2 
Analisis Sentimen Ulasan Pengguna Aplikasi Shopee di Google Play Store Menggunakan Support Vector Machine dengan Teknik SMOTE Dwi Ramadhanti, Nadia; Nurfitriana Handayani, Rissa
Jurnal Informatika Polinema Vol. 12 No. 2 (2026): Vol. 12 No. 2 (2026)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v12i2.9073

Abstract

Sebagai salah satu platform e-commerce yang tumbuh paling cepat di Indonesia, Shopee telah menjadi bagian dari kehidupan sehari-hari masyarakat. Ulasan pengguna di Google Play Store mengandung data berharga untuk memahami pendapat dan pengalaman pengguna secara langsung. Studi ini bertujuan untuk mengeksplorasi sentimen ulasan aplikasi Shopee melalui penerapan algoritma Support Vector Machine (SVM). Sebanyak 3.000 data ulasan yang telah melalui proses pembersihan dan standarisasi (pra-pemrosesan) kemudian dikonversi menjadi representasi numerik menggunakan metode Term Frequency-Inverse Document Frequency (TF-IDF) agar dapat diproses secara komputasional. Analisis sentimen dilakukan dengan mengelompokkan data ke dalam tiga kategori utama: positif, negatif, dan netral. Untuk memastikan proses pembelajaran model berlangsung secara adil serta tidak dipengaruhi oleh dominasi kelas mayoritas, teknik Synthetic Minority Over-sampling  Hasil evaluasi menunjukkan bahwa akurasi model SVM sebelum optimasi SMOTE adalah 82,67% dengan nilai Area Under the Curve (AUC) sebesar 0,86, yang dikategorikan sebagai Baik. Setelah menjalani proses optimasi dengan SMOTE, terdapat peningkatan signifikan dalam kinerja, dengan akurasi mencapai 94,27% disertai nilai AUC sebesar 0,99, yang masuk ke dalam kategori Sangat Baik. Temuan ini membuktikan peran penting teknik SMOTE dalam meningkatkan kinerja model SVM. Dengan mengatasi masalah distribusi data ulasan yang tidak seimbang, model ini tidak hanya memberikan klasifikasi sentimen yang lebih andal, tetapi juga menggambarkan gambaran yang lebih autentik tentang persepsi pengguna yang sebenarnya.
Co-Authors Agustina, Wilda Angel, Reddis Cahyana, Mochammad Anwar Djajasukma Tjahjadi Dwi Ramadhanti, Nadia Fauzi, Rifki Amdan Hariyanti, Ifani Hussain, Richard Thariq Mauluddin, Aliffian Cahya Nurhasanah Nurhasanah Rangga Sanjaya Rangga Sanjaya, Rangga Rethanindita, Agung Widyangga Rizal Rachman, Rizal Rizaldy, Tirto Taufiq, Irvan Hasbi Yaqin, R. Ahmad Ainul