<![CDATA[Duolingo merupakan aplikasi pembelajaran bahasa yang banyak digunakan dan memperoleh beragam ulasan pengguna di Google Play Store. Ulasan tersebut mencerminkan persepsi pengguna terhadap kualitas dan efektivitas aplikasi. Permasalahan yang muncul adalah banyaknya data teks tidak terstruktur serta ketidakseimbangan distribusi kelas sentimen, sehingga diperlukan metode klasifikasi yang mampu menghasilkan prediksi akurat dan seimbang. Penelitian ini bertujuan membangun model prediksi persepsi pengguna Duolingo serta membandingkan kinerja algoritma Support Vector Machine (SVM) dan Decision Tree dalam mengklasifikasikan sentimen positif dan negatif. Dataset yang digunakan berjumlah 10.000 ulasan periode 2020–2025. Tahapan penelitian meliputi preprocessing, pelabelan semi-otomatis berbasis leksikon, ekstraksi fitur menggunakan TF-IDF, pembagian data 80:20 dan 70:30, serta penanganan imbalance menggunakan Random Oversampling (ROS). Evaluasi dilakukan dengan confusion matrix menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa SVM pada rasio 80:20 dengan kondisi imbalance memperoleh akurasi tertinggi sebesar 93,57%, sedangkan penerapan ROS meningkatkan recall kelas negatif menjadi 56,19%. Dengan mempertimbangkan keseimbangan kinerja, SVM dengan ROS dinilai sebagai model yang paling optimal.]]>
Copyrights © 2026
