<![CDATA[Analisis sentimen memiliki peran penting dalam memahami opini pengguna, khususnya dalam meningkatkan kualitas layanan digital. Penelitian ini berfokus pada optimasi klasifikasi sentimen menggunakan Support Vector Machine (SVM) dengan pendekatan N-Gram dan Word Embedding GloVe terhadap ulasan pengguna aplikasi Access by KAI. Permasalahan utama yang dihadapi adalah bagaimana meningkatkan akurasi klasifikasi sentimen agar lebih optimal dalam mengidentifikasi keluhan dan preferensi pengguna. Dataset yang digunakan terdiri dari 1.718 ulasan pengguna yang telah dilabeli secara manual ke dalam kategori positif dan negatif. Metode penelitian mencakup pengumpulan data, preprocessing, ekstraksi fitur, pemodelan SVM, dan evaluasi kinerja. Hasil penelitian menunjukkan bahwa pendekatan N-Gram berbasis TF-IDF menghasilkan akurasi terbaik sebesar 84,88%, mengungguli metode GloVe yang hanya mencapai 79,65%. Selain itu, pemodelan SVM tanpa optimasi menghasilkan akurasi 83,43%. Perbandingan ini menegaskan bahwa pemilihan metode ekstraksi fitur yang tepat berpengaruh signifikan terhadap performa klasifikasi. Temuan penelitian juga mengungkap bahwa sentimen negatif mendominasi dengan persentase 51,7%, yang mencerminkan tantangan dalam performa dan fitur aplikasi.]]>
Copyrights © 2025
