Penerapan Algoritma Support Vector Machine Dalam Analisis Sentimen Terhadap Ulasan Pengguna Pada Aplikasi NewSakpole
Abstract
To determine the success rate of a service, it is necessary to conduct sentiment analysis to understand public opinion and the level of public satisfaction, both positive, neutral, and negative. Sentiment analysis was used to improve the quality of service on the NewSakpole application in android-based vehicle tax payments. In this study, several stages were used such as data crawling, data preprocessing, word weighting using TF-IDF (Term Frequency Inverse Document Frequency) and SVM (Support Vectore Machine) classification model for sentiment classification. By using the Confusionsion Matrix test with a data sharing of 20% for data training and 80% for data testing, the accuracy results were obtained of 81.08%. The accuracy value of each sentiment also showed a fairly good performance, with a positive sentiment of 81.11%, a neutral sentiment of 78.62%, and a negative sentiment of 83.33%. These results show that the SVM algorithm is able to provide a fairly stable classification performance in this case study.
Keywords: Sentimen Analysis; Google Play Store; NewSakpole; Support Vectore Machine
Abstrak
Untuk mengetahui tingkat keberhasilan suatu pelayanan, perlu dilakukan analisis sentimen untuk memahami opini publik dan tingkat kepuasan publik baik positif, netral, maupun negatif. Analisis sentimen digunakan untuk meningkatkan kualitas pelayanan pada aplikasi NewSakpole dalam pembayaran pajak kendaraan yang berbasis android. Dalam penelitian ini menggunakan beberapa tahap seperti crawling data, preprocessing data, pembobotan kata menggunakan TF-IDF (Term Frequency Inverse Document Frequency) serta model klasifikasi SVM (Support Vectore Machine) untuk klasifikasi sentimen. Dengan menggnakan pengujian Confussion Matrix dengan pembagian data 20% untuk data training dan 80% untuk data testing memperoleh hasil akurasi sebesar 81,08%. Nilai akurasi pada masing-masing sentimen juga menunjukkan performa yang cukup baik, dengan sentimen positif sebesar 81,11%, sentimen netral 78,62%, dan sentimen negatif 83,33%. Hasil ini menunjukkan bahwa algoritma SVM mampu memberikan performa klasifikasi yang cukup stabil pada studi kasus ini.
Keywords
References
. N. K. A. Juliantari, I. M. Sudiartana, dan N. L. G. M. Dcriani, “Pengaruh kesadaran wajib pajak, kualitas pelayanan, kewajiban moral, sanksi pajak, dan sosialisasi pajak terhadap kepatuhan wajib pajak dalam membayar pajak kendaraan bermotor di kantor samsat gianyar,” J. Kharisma, vol. 3, no. 1, pp. 128–139, 2021.
. J. Cong dan A. Sukrisno, “Faktor-Faktor Yang Mempengaruhi Kepatuhan Wajib Pajak Dalam Membayar Pajak Kendaraan Bermotor,” J. Paradig. Akunt., vol. 1, no. 2, pp. 292–299, 2019.
. B. Suseto, G. Wicaksono, A. A. Riadi, U. M. Kudus, dan G. P. Store, “Analisis Sentimen Terhadap Ulasan Aplikasi Bsi Mobile,” Bina Inform. dan Komput., vol. 2, no. 1, 2024.
. M. F. Y. Herjanto dan Carudin, “Sirekap Pada Play Store Menggunakan,” JITET (Jurnal Inform. dan Tek. Elektro Ter., vol. 12, no. 2, pp. 1204–1210, 2024.
. R. Maulana, A. Vountama, dan T. Ridwan, “Analisis Sentimen Ulasan Aplikasi Mypertamina Pada Google Play Store Menggunakan AlgoritmA NBC,” J. Teknol. Terpandu, vol. 9, no. 1, pp. 42–48, 2023.
. I. H. Kusuma dan N. Cahyono, “Analisis Sentimen Masyarakat Terhadap Penggunaan E-Commerce Menggunakan Algoritma K-Nearest Neighbor,” J. Inform. J. Pengemb. IT, vol. 8, no. 3, pp. 302–307, 2023.
. N. R. Setiawan dan E. R. Kaburuan, “Sentimen Analisis Review Aplikasi Digital Korlantas Pada Google Play Store Menggunakan Metode SVM,” J. SISFOKOM (Sistem Inf. dan Komputer), vol. 12, pp. 105–116, 2023.
. A. A. Chamid, Widowati, dan R. Kusumaningrum, “Graph-Based Semi-Supervised Deep Learning for Indonesian Aspect-Based Sentiment Analysis,” Big Data Cogn. Comput., 2023.
. A. Jazuli dan R. Kusumaningrum, “Enhancing Aspect-based Sentiment Analysis in Student Reviews Using Bi-directional Autoencoder and Index Generator Algorithm,” TEM J., 2023, doi: 10.18421/TEMxx-xx.
. A. Jazuli, A. A. Chamid, dan R. Kusumaningrum, “Transformer-based semantic indexing for aspect-based sentiment analysis using an enhanced index generation algorithm with BERT,” Int. J. Adv. Technol. Eng. Explor., vol. 12, no. 127, 2025.
. A. A. Chamid dan R. Kusumaningrum, “Labeling Consistency Test of Multi-Label Data for Aspect and Sentiment Classification Using the Cohen Kappa Method,” Ing. des Syst. d"Information, vol. 29, no. 1, pp. 161–167, 2024.
. M. Iranda dan N. Huda, “Analisis Kinerja Algoritma SVM dan Naïve Bayes untuk Klasifikasi Sentimen Program Makan Gratis,” Jutisi J. Ilm. Tek. Inform. dan Sist. Inf., pp. 1452–1464.
. M. Kesuma dan R. Iskandar, “Analisis Toko dan Asal Toko Fashion Pria di Shopee Menggunakan Data Scrapping dan Exploratory Data Analysis,” Maj. Ilm. Teknol. Elektro, vol. 21, no. 1, 2022.
. O. I. Gifari, M. Adha, I. R. Hendrawan, F. Freddy, dan S. Durrand, “Analisis Sentimen Review Film Menggunakan TF-IDF dan Support Vector Machine,” JIFOTECH (JOURNAL Inf. Technol., vol. 2, no. 1, pp. 36–40, 2022.
. A. Jazuli dan R. Kusumaningrum, “Enhancing Aspect-Based Sentiment Analysis through Data Labeling Classification on Student Reviews Using a Text Sampling Approach,” TEM J., vol. 8984, pp. 801–810, 2023.
. A. A. Chamid, R. Nindyasari, N. Azizah, dan A. Hariyadi, “Analysis of public opinion on the governor candidate debate using LDA and IndoBERT,” Kinet. Game Technol. Inf. Syst. Comput. Network, Comput. Electron. Control, vol. 4, no. 3, 2025.
. A. Sujjada, J. Nurfazri, I. Griha, dan T. Isa, “Analisis Sentimen Terhadap Review Bank Digital Pada Google Play Store Menggunakan Metode Support Vector Machine ( SVM ),” J. Rekayasa Teknol. Nusa Putra, vol. 9, no. 2, pp. 122–135, 2023.
. V. Westley, D. Thomas, dan F. Rumaisa, “Analisis Sentimen Ulasan Hotel Bahasa Indonesia Menggunakan Support Vector Machine dan TF-IDF,” J. MEDIA Inform. BUDIDARMA, vol. 6, pp. 1767–1774, 2022, doi: 10.30865/mib.v6i3.4218.
. P. M. Prihatini, “Implementasi ekstraksi fitur pada pengolahan dokumen berbahasa indonesia,” J. MATRIX, vol. 6, no. 3, pp. 174–178, 2016.
. Musfiroh, A. Tholib, dan Z. Arifin, “Analisis Sentimen Terhadap Ulasan Aplikasi Shopee di Google Play Store Menggunakan Metode TF-IDF dan Long Short-Term Memory ( LSTM ),” J. Electr. Eng. Comput., vol. 6, no. 2, pp. 371–381, 2024, doi: 10.33650/jeecom.v4i2.
. M. H. Mahendra, D. T. Murdiansyah, dan K. M. Lhaksmana, “Analisis Sentimen Tweet COVID-19 Menggunakan Metode K-Nearest Neighbors dengan Ekstraksi Fitur TF-IDF dan CountVectorizer Dike : Jurnal Ilmu Multidisiplin,” J. Ilmu Multidisiplin, vol. 1, pp. 37–43, 2023.
. M. F. Muzakki, R. F. Umbara, F. Informatika, dan U. Telkom, Analisis Sentimen Mahasiswa Terhadap Fasilitas Universitas Telkom Menggunakan Metode Jaringan Saraf Tiruan Dan TF-IDF, vol. 6, no. 2. 2019.
. A. A. Munandar dkk., “Sentimen Analisis Aplikasi Belajar Online Menggunakan Klasifikasi SVM,” JOINTECS (Journal Inf. Technol Comput. Sci.), vol. 7, no. 1, pp. 1–7, 2026.
. A. Jazuli dan R. Kusumaningrum, “Auto Labeling to Increase Aspect-Based Sentiment Analysis Using K-Nearest Neighbors Method,” E3S Web Conforences, vol. 05001, pp. 1–12, 2022.
. N. Bethry dan B. Tjikdaphia, “Comparison of nbc, svm, knn classification results in sentiment analysis of mobile jkn,” JURTEKSI (Jurnal Teknol. dan Sist. Informasi), vol. IX, no. 4, 2023.
How To Cite This :
Refbacks
- There are currently no refbacks.
