Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jatilima : Jurnal Multimedia Dan Teknologi Informasi
Lea, Al Ilham
Unknown Affiliation
Computer Science & IT

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

Found 1 Documents
Search

 1 
Analisis Sentimen Komentar Pengguna Aplikasi Astro Shop Di Google Playstrore Menggunakan Metode Support Vector Machine (SVM) Rio; Sidqi, M. Nejatullah; Aprilisa, Shinta; Aulia, Rizka; Lea, Al Ilham
Jurnal Multimedia dan Teknologi Informasi (Jatilima) Vol. 7 No. 04 (2025): Jatilima : Jurnal Multimedia Dan Teknologi Informasi
Publisher : Cattleya Darmaya Fortuna

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54209/jatilima.v7i04.1826

Abstract

Transformasi digital dalam satu dekade terakhir telah mendorong meningkatnya penggunaan aplikasi seluler untuk berbagai aktivitas, termasuk belanja daring. Salah satu aplikasi yang tengah berkembang di Indonesia adalah Astro Shop, yang memanfaatkan layanan pengiriman instan sebagai nilai unggulannya. Melimpahnya ulasan pengguna di Google Play Store menjadikan data tersebut sebagai sumber informasi berharga untuk mengevaluasi kualitas layanan. Namun, tingginya volume komentar yang bersifat tidak terstruktur memerlukan pendekatan analisis otomatis agar dapat diolah secara efektif. Penelitian ini bertujuan untuk melakukan analisis sentimen terhadap ulasan pengguna aplikasi Astro Shop dengan memanfaatkan algoritma Support Vector Machine (SVM). Data yang digunakan berjumlah 1.729 komentar dari Google Play Store yang dikumpulkan melalui teknik web crawling menggunakan Python. Selanjutnya, data diproses melalui tahapan pra-pemrosesan yang meliputi case folding, pembersihan teks, tokenisasi, penghapusan stopword, normalisasi, dan stemming. Fitur kata kemudian direpresentasikan dengan metode Term Frequency-Inverse Document Frequency (TF-IDF) sebelum digunakan pada tahap pelatihan dan pengujian model klasifikasi. Hasil evaluasi menunjukkan bahwa model SVM mampu mencapai akurasi keseluruhan sebesar 98%. Kelas negatif memiliki performa terbaik dengan precision 0,98, recall 1,00, dan f1-score 0,99, sementara kelas positif mencatat f1-score 0,69 dengan recall relatif rendah (0,54). Model tidak dapat memprediksi kelas netral karena jumlah data yang terlalu sedikit. Validasi silang 10-fold menunjukkan akurasi konsisten pada rentang 96,8% hingga 98,4%, yang menandakan model memiliki kemampuan generalisasi yang baik.
Co-Authors Aprilisa, Shinta AULIA, RIZKA M. Nejatullah Sidqi Rio