<![CDATA[Perkembangan teknologi digital yang semakin pesat telah mendorong peningkatan penggunaan media e-commerce sebagai sarana transaksi yang praktis dan efisien. Peningkatan jumlah pengguna e-commerce berimplikasi pada bertambahnya volume ulasan yang diberikan oleh pengguna pada platform aplikasi, khususnya Playstore. Ulasan pengguna memiliki peran strategis dalam merefleksikan kualitas layanan serta menjadi sumber informasi penting bagi pengembang aplikasi. Namun, tingginya jumlah ulasan menyebabkan proses analisis secara manual menjadi tidak efektif dan kurang efisien. Oleh karena itu, diperlukan pendekatan analisis sentimen berbasis komputasi untuk mengklasifikasikan ulasan pengguna secara otomatis. Penelitian ini bertujuan untuk mengembangkan dan membandingkan model analisis sentimen menggunakan Support Vector Machine (SVM) dengan dan tanpa optimasi Stochastic Gradient Descent (SGD). Metode penelitian yang digunakan adalah metode eksperimental dengan data ulasan dan direpresentasikan dalam bentuk numerik menggunakan teknik Term Frequency – Inverse Document Frequency (TF-IDF). Proses klasifikasi sentimen dilakukan terhadap tiga kelas sentimen, yaitu positif, negatif, dan netral. Hasil pengujian menunjukkan bahwa model SVM yang dioptimasi menggunakan SGD menghasilkan performa lebih baik dibandingkan dengan SVM tanpa optimasi, baik dari segi akurasi dengan peningkatan sebesar 4% dan efisiensi waktu komputasi lebih cepat 3 detik. Dengan demikian, kombinasi TF-IDF dan SVM yang dioptimasi menggunakan SGD dapat dijadikan sebagai pendekatan yang andal dalam analisis sentimen ulasan aplikasi e-commerce.]]>
Copyrights © 2026
