Analisis Sentimen Pengguna Aplikasi Belanjasmart pada Google Play Menggunakan Algoritma Klasifikasi Berbasis Particle Swarm Optimazation

Nurjannah (Universitas Bina Sarana Informatika)
Deasy Purwaningtias (Universitas Bina Sarana Informatika)
Ali Mustopa (Universitas Bina Sarana Informatika)

Jurnal Nasional Komputasi dan Teknologi Informasi
Vol. 9 No. 3 (2026): Juni, 2026

Abstrak - Dengan menggunakan enam metode klasifikasi (SVM, Logistic Regression, KNN, Naïve Bayes, Random Forest, Decision Tree) dan optimasi Particle Swarm Optimisation (PSO), penelitian ini mengkaji analisis sentimen ulasan pengguna aplikasi BelanjaSmart. Preprocessing, pelabelan sentimen, ekstraksi fitur TF-IDF, dan evaluasi model menggunakan akurasi, presisi, recall, dan F1-score merupakan bagian dari metodologi penelitian kuantitatif. Temuan menunjukkan bahwa PSO dapat menurunkan biaya optimal menjadi 0,037–0,043 dan meningkatkan kinerja model, dengan KNN, Pohon Keputusan, Random Forest, dan SVM mencapai akurasi maksimum 0,9630 dan Logistic Regression serta Naïve Bayes mencapai 0,9568. Penelitian ini menunjukkan bahwa PSO dan algoritma klasifikasi bekerja dengan baik bersama-sama untuk meningkatkan akurasi analisis sentimen dan dapat diperluas dengan menggunakan teknik pembelajaran yang lebih dalam dan dataset yang lebih besar. Kata kunci : Analisis Sentimen; PSO; Machine Learning; Klasifikasi Teks; TF-IDF;   Abstract - Using six classification methods “(SVM, Logistic Regression, KNN, Naïve Bayes, Random Forest, Decision Tree) and Particle Swarm Optimisation (PSO) optimisation, this study investigates the sentiment analysis of user reviews of the BelanjaSmart application.” Preprocessing, sentiment labelling, TF-IDF feature extraction, and model evaluation utilising accuracy, precision, recall, and F1-score are all part of the quantitative research methodology. The findings demonstrate that PSO may lower the optimal cost to 0.037–0.043 and enhance model performance, with KNN, Decision Tree, Random Forest, and SVM achieving the maximum accuracy of 0.9630 and Logistic Regression and Naïve Bayes reaching 0.9568. This study demonstrates that PSO and classification algorithms work well together to increase sentiment analysis accuracy and may be expanded utilising deeper learning techniques and larger datasets. Keywords: Sentiment Analysis; PSO; Machine Learning; Text Clasificasion; TF-IDF;