<![CDATA[Abstrak— Genshin Impact adalah RPG yang sukses yang menarik banyak ulasan di Google Play Store, yang sentimennya menjadi indikator informatif bagi pengembang aplikasi. Penelitian ini mengeksplorasi klasifikasi sentimen pengguna dengan penerapan model Support Vector Machine (SVM) yang terintegrasi dengan ekonomisasi sumber daya dari Principal Component Analysis (PCA) untuk meningkatkan kecepatan reduksi dimensi algoritma. Ulasan untuk proyek ini bersumber dari Analisis Sentimen Ulasan Genshin Impact yang dihosting di Kaggle. Dataset berisi 944 ulasan, yang terdiri dari 510 ulasan yang diidentifikasi sebagai POSITIF dan 434 ulasan yang diidentifikasi sebagai NEGATIF, dengan sentimen yang ditetapkan selama pengunggahan dataset. Penelitian ini memanfaatkan model Knowledge Discovery in Databases (KDD) dan mencakup Preprocessing, TF-IDF, pemilihan fitur Chi-Square, PCA, penyeimbangan kelas (SMOTE), dan SVM dengan empat jenis kernel dan permutasi parameter untuk 1.440 eksperimen yang diharapkan dan dievaluasi pada tiga split dataset yang berbeda. Hasil eksperimen menunjukkan bahwa kernel RBF, setelah penerapan pemilihan fitur Chi-Square, PCA, dan SMOTE, mencapai hasil terbaik dengan akurasi 93,68% dan F1-Score 94,12% untuk split 90:10, dengan hasil yang lebih baik dibandingkan rasio split 80:20 dan 70:30. Dari hasil tersebut, SVM dengan PCA secara bersamaan mencapai klasifikasi sentimen permainan yang efektif dengan akurasi tinggi, dan hasil eksperimen menunjukkan bahwa pemilihan fitur Chi-Square meningkatkan hasil model. Penelitian selanjutnya dengan metodologi ini harus mencakup penggunaan embedding kata kontekstual dan meningkatkan ukuran dataset untuk memungkinkan peningkatan ketahanan dan generalisasi model. Kata Kunci— Analisis Sentimen, Genshin Impact, Support Vector Machine, Principal Component Analysis, Chi-Square, SMOTE]]>
Copyrights © 2026
