Analisis Sentimen Aplikasi Glints Berdasarkan Ulasan Google Play Store Menggunakan Metode Support Vector Machine
Kata Kunci:
analisis sentimen, Glints, Support Vector Machine, klasifikasi, fishboneAbstrak
Aplikasi Glints merupakan aplikasi yang bergerak di bidang jasa penyedia lowongan kerja dan pengembangan karir. Aplikasi Glints menyediakan informasi mengenai lowongan pekerjaan baik full-time, internship, dan freelance. Banyaknya platform lowongan kerja yang ada di Indonesia memberikan tantangan pada aplikasi Glints agar tidak kalah dengan pesaingnya. Meningkatkan layanan aplikasi dengan mengetahui persepsi pengguna aplikasi merupakan salah satu cara untuk mempertahankan popularitas aplikasi. Persepsi pengguna aplikasi dapat dianalisis menggunakan analisis sentimen kemudian dapat diketahui akar permasalahan dari sentimen pengguna. Penelitian ini menggunakan metode SVM atau Support Vector Machine untuk melakukan klasifikasi sentimen pada ulasan pengguna aplikasi di Google Play Store. Tahapan dalam proses analisis sentimen diantaranya seperti pengumpulan data dengan web scraping, pelabelan data, text preprocessing, pembobotan kata dengan TF-IDF (Term Frequency-Inverse Document Frequency), klasifikasi menggunakan Support Vector Machine, dan evaluasi kinerja model dengan Confusion Matrix. Analisis dilakukan pada data berjumlah 738 data ulasan aplikasi. Hasil pengujian dengan parameter nilai C = 1 menunjukkan nilai accuracy sebesar 87,12%, precision 87,49%, recall 87,13%, dan f1-score 87,08%. Hasil klasifikasi negatif kemudian dianalisis menggunakan diagram fishbone. Analisis diagram fishbone menunjukkan bahwa aplikasi Glints memerlukan perbaikan pada layanan pencarian lowongan kerja, update aplikasi, dan fungsionalitas aplikasi.
Referensi
Hasnain, M., Pasha, M. F., Ghani, I., Imran, M., Alzahrani, M. Y., & Budiarto, R. (2020). Evaluating Trust Prediction and Confusion Matrix Measures for Web Services Ranking. IEEE Access, 8, 90847–90861. https://doi.org/10.1109/ACCESS.2020.2994222
Holifahtus Sakdiyah, S., Eltivia, N., & Afandi, A. (2022). Root Cause Analysis Using Fishbone Diagram: Company Management Decision Making. Journal of Applied Business, Taxation and Economics Research, 1(6), 566–576. https://doi.org/10.54408/jabter.v1i6.103
Ilmawan, L. B., & Mude, M. A. (2020). Perbandingan Metode Klasifikasi Support Vector Machine dan Naïve Bayes untuk Analisis Sentimen pada Ulasan Tekstual di Google Play Store. ILKOM Jurnal Ilmiah, 12(2), 154–161. https://doi.org/10.33096/ilkom.v12i2.597.154-161
Jain, M., Narayan, S., Balaji, P., P, B. K., Bhowmick, A., R, K., & Muthu, R. K. (2020). Speech Emotion Recognition using Support Vector Machine.
Muttaqin, M. N., & Kharisudin, I. (2021). Analisis Sentimen Pada Ulasan Aplikasi Gojek Menggunakan Metode Support Vector Machine dan K Nearest Neighbor. UNNES Journal of Mathematics, 10(2), 22–27. http://journal.unnes.ac.id/sju/index.php/ujm
Park, S.-M., & Kim, Y.-G. (2021). Root Cause Analysis Based on Relations Among Sentiment Words. Cognitive Computation, 13(4), 903–918. https://doi.org/10.1007/s12559-021-09872-3
Rokhman, K. A., Berlilana, B., & Arsi, P. (2021). Perbandingan Metode Support Vector Machine dan Decision Tree untuk Analisis Sentimen Review Komentar pada Aplikasi Transportasi Online. Journal of Information System Management (JOISM), 3(1), 1–7. https://doi.org/10.24076/JOISM.2021v3i1.341
Seerangan, N., & Shanmugam, V. (n.d.) (2021). Naveenkumar Seerangan and Vijayaragavan Shanmugam: Novel Multi-Level Aspect Based Sentiment Analysis for Improved Root-Cause Analysis Novel Multi-Level Aspect Based Sentiment Analysis for Improved Root-Cause Analysis. https://doi.org/10.21917/ijsc.2021.0340
Hasnain, M., Pasha, M. F., Ghani, I., Imran, M., Alzahrani, M. Y., & Budiarto, R. (2020). Evaluating Trust Prediction and Confusion Matrix Measures for Web Services Ranking. IEEE Access, 8, 90847–90861. https://doi.org/10.1109/ACCESS.2020.2994222
Holifahtus Sakdiyah, S., Eltivia, N., & Afandi, A. (2022). Root Cause Analysis Using Fishbone Diagram: Company Management Decision Making. Journal of Applied Business, Taxation and Economics Research, 1(6), 566–576. https://doi.org/10.54408/jabter.v1i6.103
Ilmawan, L. B., & Mude, M. A. (2020). Perbandingan Metode Klasifikasi Support Vector Machine dan Naïve Bayes untuk Analisis Sentimen pada Ulasan Tekstual di Google Play Store. ILKOM Jurnal Ilmiah, 12(2), 154–161. https://doi.org/10.33096/ilkom.v12i2.597.154-161
Jain, M., Narayan, S., Balaji, P., P, B. K., Bhowmick, A., R, K., & Muthu, R. K. (2020). Speech Emotion Recognition using Support Vector Machine.
Muttaqin, M. N., & Kharisudin, I. (2021). Analisis Sentimen Pada Ulasan Aplikasi Gojek Menggunakan Metode Support Vector Machine dan K Nearest Neighbor. UNNES Journal of Mathematics, 10(2), 22–27. http://journal.unnes.ac.id/sju/index.php/ujm
Park, S.-M., & Kim, Y.-G. (2021). Root Cause Analysis Based on Relations Among Sentiment Words. Cognitive Computation, 13(4), 903–918. https://doi.org/10.1007/s12559-021-09872-3
Rokhman, K. A., Berlilana, B., & Arsi, P. (2021). Perbandingan Metode Support Vector Machine dan Decision Tree untuk Analisis Sentimen Review Komentar pada Aplikasi Transportasi Online. Journal of Information System Management (JOISM), 3(1), 1–7. https://doi.org/10.24076/JOISM.2021v3i1.341
Seerangan, N., & Shanmugam, V. (n.d.) (2021). Naveenkumar Seerangan and Vijayaragavan Shanmugam: Novel Multi-Level Aspect Based Sentiment Analysis for Improved Root-Cause Analysis Novel Multi-Level Aspect Based Sentiment Analysis for Improved Root-Cause Analysis. https://doi.org/10.21917/ijsc.2021.0340
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2024 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
