Perbandingan Algoritma untuk Analisis Sentimen Terhadap Google Play Store Menggunakan Machine Learning
Abstract
Banyaknya aplikasi yang tersedia pada google playstore memudahkan para pengguna untuk memiilih aplikasi yang sesuai dengan kebutuhannya. Pengguna aplikasi pada google playstore memiliki sedikit kesulitan dalam memilih aplikasi mana saja yang baik performancenya karena terlalu banyaknya pilihan aplikasi yang tersedia. Para pengembang aplikasi menyediakan kolom komentar untuk review para pengguna aplikasi. Dengan review ini para calon pengguna aplikasi dapat memutuskan apakah menggunakan atau tidak, sedangkan untuk pengembang, review sangat dibutuhkan karena dapat melihat pencapaian kinerja dari aplikasi yang telah dibuat. Pada penelitian ini dilakukan untuk membandingkan tiga algorima machine learning yaitu : naives bayes, k-nearest neighbors dan radom forest untuk membandingkan nilai akurasi pada setiap algoritma berdasarkan sentimen pengguna. Pada penelitian ini dataset didapat dari scraping langsung dari aplikasi yang tersedia pada google play. Data kemudian diseleksi dan diberi label/klas. Pada penelitian ini dilakuakan percobaan dengan menggunakan jumlah dataset yang berbeda yaitu 40 dataset, 100 dataset dan 1000 dataset. Hasil akurasi yang didapar pada penggunaan dataset 1000 data diperoleh hasil akurasi untuk algoritma naïve bayes sebesar 79%, algoritma k nearest neighbors sebesar 77% dan algoritma random forest sebesar 75%.
Downloads
References
[2] A. Rahman, E. Utami, and S. Sudarmawan, “Sentimen Analisis Terhadap Aplikasi pada Google Playstore Menggunakan Algoritma Naïve Bayes dan Algoritma Genetika,†J. Komtika (Komputasi dan Inform., vol. 5, no. 1, pp. 60–71, 2021, doi: 10.31603/komtika.v5i1.5188.
[3] M. I. Putri and I. Kharisudin, “Analisis Sentimen Pengguna Aplikasi Marketplace TokopediaPada Situs Google Play Menggunakan Metode SupportVector Machine (SVM), Naïve Bayes, dan LogisticRegression,†Prism. Pros. Semin. Nas. Mat., vol. 5, pp. 759–766, 2022, [Online]. Available: https://journal.unnes.ac.id/sju/index.php/prisma/
[4] Azhar, S. U. Masruroh, L. K. Wardhani, and Okfalisa, “Perbandingan Kinerja Algoritma Naive Bayes Dan K-Nn Pendekatan Lexicon Pada Analisis Sentimen Di Media,†Pros. Semin. Nas. Fis. Univ. Riau IV, no. September, pp. 978–979, 2019.
[5] A. M. Tamrizal and A. Yaqin, “Perbandingan Algoritma Naïve Bayes , K-Nearest Neighbors dan Random Forest untuk Klasifikasi Sentimen Terhadap BPJS Kesehatan pada Media Twitter,†vol. 12, no. 1, pp. 1–10, 2022.
[6] G. A. Sandag, “Prediksi Rating Aplikasi App Store Menggunakan Algoritma Random Forest,†CogITo Smart J., vol. 6, no. 2, p. 167, 2020, doi: 10.31154/cogito.v6i2.270.167-178.
[7] A. Wandani, F. Fauziah, and A. Andrianingsih, “Sentimen Analisis Pengguna Twitter pada Event Flash Sale Menggunakan Algoritma K-NN, Random Forest, dan Naive Bayes,†J-SAKTI (Jurnal Sains Komput. dan Inform., vol. 5, no. 2, pp. 651–665, 2021.
[8] Y. Kustiyahningsih, “Feature Selection and K-nearest Neighbor for Diagnosis Cow Disease,†Int. J. Sci. Eng. Inf. Technol., vol. 5, no. 02, pp. 249–253, 2021, doi: 10.21107/ijseit.v5i02.10218.
[9] S. W. Iriananda et al., “Analisis Sentimen Dan Analisis Data Eksploratif Ulasan,†no. Ciastech, pp. 473–482, 2021.
[10] R. Putri Fitrianti, A. Kurniawati, D. Agusten, J. Sistem Informasi, and F. Ilmu Komputer dan Teknologi Informasi, “Implementasi Algoritma K-Nearest Neighbor Terhadap Analisis Sentimen Review Restoran Dengan Teks Bahasa Indonesia,†Semin. Nas. Apl. Teknol. Inf., pp. 1907–5022, 2019.
Jurnal Ekonomi dan Teknik Informatika
