<![CDATA[Pertumbuhan pengguna media sosial di Indonesia, khususnya TikTok dan Instagram, mendorong meningkatnya jumlah ulasan aplikasi pada Google Play Store yang memuat berbagai opini dan pengalaman pengguna. Banyaknya ulasan tersebut menyulitkan proses analisis secara manual, sehingga diperlukan pendekatan otomatis melalui analisis sentimen. Penelitian ini bertujuan mengembangkan sistem analisis sentimen berbasis website untuk mengklasifikasikan ulasan pengguna aplikasi TikTok dan Instagram ke dalam kategori positif dan negatif menggunakan algoritma Extreme Gradient Boosting (XGBoost). Dataset yang digunakan terdiri dari 8.742 ulasan hasil scraping Google Play Store menggunakan google-play-scraper dan diberi label berdasarkan rating bintang pengguna. Tahap pengolahan data meliputi preprocessing teks, seperti case folding, penghapusan noise, dan stopword removal, kemudian dilakukan ekstraksi fitur menggunakan TF-IDF. Model dievaluasi dengan pembagian data stratified 80:20. Hasil penelitian menunjukkan bahwa model XGBoost mampu mencapai akurasi sebesar 87,59%, dengan nilai presisi 88,10%, recall 87,59%, dan F1-score 87,41%, sehingga menunjukkan kinerja yang baik dalam mengklasifikasikan sentimen ulasan berbahasa Indonesia. Sistem yang dibangun berhasil diimplementasikan menggunakan Flask dan Bootstrap 5 serta dilengkapi fitur prediksi manual, pemrosesan data melalui unggahan file CSV/XLSX, dan penyimpanan riwayat prediksi. Hasil penelitian ini menunjukkan bahwa kombinasi XGBoost dan TF-IDF dapat menjadi solusi yang efektif untuk membantu analisis sentimen ulasan pengguna secara otomatis dan mendukung evaluasi kualitas layanan aplikasi berdasarkan masukan pengguna.]]>
Copyrights © 2026
