Analisis Sentimen Ulasan Aplikasi Detik.Com di Google Play Store Menggunakan Pendekatan Lexicon-Based dan Machine Learning
DOI:
https://doi.org/10.62712/juktisi.v5i1.1195Keywords:
Analisis Sentimen, Detik.com, Lexicon-Based, Naive Bayes, Decision Tree, Random Forest, Support Vector MachineAbstract
Ulasan pengguna pada Google Play Store merupakan sumber informasi yang dapat digunakan untuk mengetahui tingkat kepuasan pengguna terhadap suatu aplikasi. Namun, jumlah ulasan yang terus bertambah menyebabkan proses analisis secara manual menjadi kurang efektif. Oleh karena itu, diperlukan metode analisis sentimen untuk mengidentifikasi kecenderungan opini pengguna secara otomatis. Penelitian ini bertujuan untuk menganalisis sentimen ulasan pengguna aplikasi Detik.com menggunakan pendekatan Lexicon-Based serta membandingkan kinerja algoritma Naive Bayes, Decision Tree, Random Forest, dan Support Vector Machine (SVM). Data penelitian diperoleh dari Google Play Store melalui proses web scraping. Tahapan penelitian meliputi preprocessing data, pelabelan sentimen menggunakan pendekatan Lexicon-Based, ekstraksi fitur menggunakan TF-IDF, pembagian data latih dan data uji, proses klasifikasi menggunakan algoritma machine learning, serta evaluasi model menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil pelabelan sentimen menunjukkan bahwa dari 1.000 ulasan yang dianalisis, sebanyak 591 ulasan (59,10%) termasuk sentimen positif dan 409 ulasan (40,90%) termasuk sentimen negatif. Berdasarkan hasil pengujian, algoritma Decision Tree memperoleh performa terbaik dengan nilai akurasi sebesar 79,6%, precision sebesar 80,1%, recall sebesar 79,6%, dan F1-score sebesar 79,7%. Sementara itu, Random Forest memperoleh akurasi sebesar 77,6%, SVM sebesar 74,5%, dan Naive Bayes sebesar 71,9%. Hasil penelitian menunjukkan bahwa pendekatan Lexicon-Based yang dikombinasikan dengan algoritma machine learning mampu digunakan untuk menganalisis sentimen ulasan pengguna aplikasi Detik.com secara efektif, dengan Decision Tree sebagai algoritma yang memberikan kinerja terbaik pada dataset penelitian.
Downloads
References
[1] N. K. A. Juliana and M. A. Raharja, “Analisis Sentimen pada Ulasan Aplikasi myIM3 Menggunakan Multinomial Naive Bayes dengan TF-IDF,” J. Nas. Teknol. Inf. dan Apl., vol. 2, no. 3, pp. 649–656, 2024, [Online]. Available: https://ojs.unud.ac.id/index.php/jnatia/article/view/115818
[2] K. Sidik, D. Herdiana, M. A. Helmiawan, and A. Saeppani, “ANALISIS SENTIMEN ULASAN GOOGLE PLAY PADA APLIKASI TAHU SUMEDANG MENGGUNAKAN LEXICON-BASED,” vol. 5, no. 2, pp. 356–361, 2025.
[3] S. Ratnaswari, N. C. Wibowo, D. Satria, and Y. Kartika, “ANALISIS SENTIMEN MENGGUNAKAN METODE LEXICON-BASED DAN SUPPORT VECTOR MACHINE PADA PRESIDEN DAN WAKIL PRESIDEN INDONESIA,” vol. 13, no. 1, pp. 362–368, 2025.
[4] J. Sutrisno and G. Eka, “Analisis Sentimen Pada Aplikasi Livin ’ By Mandiri Menggunakan Metode Tf-Idf Dan Naive Bayes Sentiment Analysis On Livin ’ By Mandiri App Using Tf -Idf And Naive Bayes Method,” vol. 17, no. 1, 2024.
[5] T. P. R. Sanjaya, A. Fauzi, and A. F. N. Masruriyah, “Analisis sentimen ulasan pada e-commerce shopee menggunakan algoritma naive bayes dan support vector machine,” INFOTECH J. Inform. Teknol., vol. 4, no. 1, pp. 16–26, 2023, doi: 10.37373/infotech.v4i1.422.
[6] N. Zelina and A. Afiyati, “Analisis Sentimen Ulasan Pengguna Aplikasi M- Banking Menggunakan Algoritma Support Vector Machine dan Decision Tree,” vol. 7, no. 1, pp. 31–37, 2024.
[7] A. Syah, F. Nurdiansyah, and A. Y. Rahman, “Analisis sentimen aplikasi shopee, tokopedia, lazada dan blibli menggunakan leksikon dan random forest,” vol. 12, no. 3, 2024.
[8] K. C. Astuti, A. Firmansyah, and A. Riyadi, “Implementasi Text Mining untuk Analisis Sentimen Masyarakat terhadap Ulasan Aplikasi Digital Korlantas Polri pada Google Play Store,” Ris. dan E-Jurnal Manaj. Inform. Komput., vol. 8, pp. 383–394, 2024.
[9] N. Nurwanda, N. Suarna, and W. Prihartono, “Penerapan Nlp (Natural Language Processing) Dalam Analisis Sentimen Pengguna Telegram Di Playstore,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 2, pp. 1841–1846, 2024, doi: 10.36040/jati.v8i2.8469.
[10] K. Dwicahyo and C. Indah Ratnasari, “Perbandingan Metode Web Scraping Dalam Pengambilan Data: Kajian Literatur,” Automata, vol. 4, no. 2, pp. 200–205, 2023.
[11] F. Putra, H. F. Tahiyat, R. M. Ihsan, R. Rahmaddeni, and L. Efrizoni, “Penerapan Algoritma K-Nearest Neighbor Menggunakan Wrapper Sebagai Preprocessing untuk Penentuan Keterangan Berat Badan Manusia,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. 1, pp. 273–281, 2024, doi: 10.57152/malcom.v4i1.1085.
[12] T. D. Septyorini, K. Umam, and M. R. Handayani, “Jurnal Informatika : Jurnal pengembangan IT Dinamika Opini Publik Terkait Quarter Life Crisis Pada Media Sosisal X Menggunakan Support Vector Machine,” vol. 10, no. 3, pp. 617–627, 2025, doi: 10.30591/jpit.v10i3.8648.
[13] F. Koto and G. Y. Rahmaningtyas, “Inset lexicon: Evaluation of a word list for Indonesian sentiment analysis in microblogs,” in 2017 International Conference on Asian Language Processing (IALP), 2017, pp. 391–394. doi: 10.1109/IALP.2017.8300625.
[14] M. T. Akhir, M. Syarat, G. Memperoleh, G. Sarjana, S. Satu, and T. Informasi, “Analisis sentimen pengguna aplikasi livin ’ by mandiri berdasarkan ulasan pada google playstore menggunakan metode random forest skripsi,” 2024.
[15] A. Suharman and M. Kamayani Sulaeman, “Analisis Sentimen Pengguna Aplikasi Livin’ by Mandiri Menggunakan Metode Support Vector Machine (SVM) dengan Ekstraksi Fitur TF-IDF dan Word2Vec,” J. Pendidik. dan Teknol. Indones., vol. 5, no. 8, pp. 2201–2212, 2025, doi: 10.52436/1.jpti.941.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Talcha Ilham Putri, Riski Annisa, Muhammad Fahmi Julianto
This work is licensed under a Creative Commons Attribution 4.0 International License.
