Perbandingan Kinerja Klasifikasi Sentimen Ulasan Aplikasi Over the Top di Google Play Store
DOI:
https://doi.org/10.24114/cess.v11i1.70832Keywords:
Over The Top (OTT), Naive Bayes, Sentiment Classification, Support Vector Machine (SVM), Pearson CorrelationAbstract
Persaingan ketat layanan Over The Top (OTT) di Indonesia menuntut pemahaman terkait kepuasan pengguna sebagai kunci retensi pelanggan. Ulasan Google Play Store menjadi sumber data penting untuk klasifikasi sentimen. Meskipun metode SVM dan Naive Bayes populer untuk klasifikasi, tetapi perbandingan keduanya untuk klasifikasi sentimen layanan OTT masih terbatas. Penelitian ini membandingkan kinerja keduanya untuk klasifikasi ulasan Aplikasi OTT berbahasa Indonesia. Selain itu, dilakukan validasi eksternal terhadap rating Aplikasi untuk mengidentifikasi metode dan rasio data optimal, serta menganalisis korelasi antara kinerja sentimen positif dengan rating tersebut. Tahapan perbandingan dilakukan melalui metode KDD meliputi pengumpulan data, text preprocessing, transformasi data, hingga klasifikasi dengan pengujian pembagian data training dan testing (70:30, 80:20, dan 90:10) untuk mendapatkan model yang optimal. Klasifikasi diuji menggunakan berbagai matrik evaluasi yaitu Akurasi, Presisi, Recall, dan F1-Score. Model optimal kemudian divalidasi menggunakan koefisien korelasi Pearson antara F1-Score sentimen positif dan rating Aplikasi. Hasil kesimpulan dari perbandingan kedua metode menunjukkan bahwa SVM secara konsisten mengungguli Naive Bayes di seluruh skenario pengujian. Model SVM dengan rasio 90:10 adalah model optimal dengan akurasi rata-rata 75%. Model ini kuat pada sentimen negatif (F1-Score=0,91) namun menunjukkan kegagalan kritis pada sentimen netral (F1-Score=0,00). Analisis korelasi Pearson menghasilkan nilai r = 0,538, mengindikasikan adanya korelasi positif sedang antara sentimen positif dengan popularitas aplikasi. Implikasi penelitian ini adalah model optimal ini dapat digunakan sebagai alat Business Intelligence meskipun perlu pengembangan lanjutan untuk mengatasi imbalance data pada kelas netral.Downloads
References
[1] D. Muhammad, T. S. Ramli, and R. R. Permata, “Tanggung Jawab Hukum Over The Top News Aggregator Terhadap Pelanggaran Hak Ekonomi Produk Jurnalistik,” Media Huk. Indones., vol. 2, no. 6, pp. 19–30, 2025, doi: 10.5281/zenodo.15375277.
[2] L. Z. Valentine, “Analisis Perspektif Regulasi Over The Top di Indonesia dengan Pendekatan Regulatory Impact Analysis,” J. Telekomun. dan Komput., vol. 8, no. 3, p. 222, 2018, doi: 10.22441/incomtech.v8i3.5675.
[3] H. A. Ramadhan, B. M. Purwaamijaya, and R. G. Guntara, “Pengaruh User Experience terhadap Customer Satisfaction pada Aplikasi Seluler Streaming Vidio,” JTIM J. Teknol. Inf. dan Multimed., vol. 5, no. 2, pp. 122–133, 2023, doi: 10.35746/jtim.v5i2.367.
[4] D. Shafira, A. Rizki, M. S. Khabib, N. Rahmayuna, and G. Utomo, “Klasifikasi Sentimen Ulasan Pengguna Aplikasi Layanan Publik Google Play Store Menggunakan NLP dan ML,” vol. 20, no. 1, pp. 51–64, doi: 10.33365/jtk.v20i1.586.
[5] M. E. Suprapto, A. Q., Irwansyah, I., & Irfandianto, “Analisis Dinamika Ulasan Penggunaan Aplikasi Vidio Dan Viu,” J. Ilmu Komun. UHO J. Penelit. Kaji. Ilmu Komun. dan Inf., vol. 10, no. 1, pp. 67–78, 2024, doi: 10.52423/jikuho.v10i1.462.
[6] R. R. S. Dwi Amelia, Pratomo Setiaji, “Perbandingan Algoritma SVM dan Naive Bayes dalam Klasifikasi Sentimen pada Ulasan Aplikasi Traveloka dan Agoda,” vol. 11, no. 2, pp. 263–270, 2025, doi: 10.26418/jp.v11i2.96869.
[7] A. I. Tanggraeni and M. N. N. Sitokdana, “Analisis Sentimen Aplikasi E-Government pada Google Play Menggunakan Algoritma Naïve Bayes,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 9, no. 2, pp. 785–795, 2022, doi: 10.35957/jatisi.v9i2.1835.
[8] D. Triully Prasetyo and Atiqah Meutia Hilda, “Metode Support Vector Machine Untuk Analisis Sentimen Aplikasi Threads di Google Play Store,” Indones. J. Comput. Sci., vol. 13, no. 5, pp. 76–83, 2024, doi: 10.33022/ijcs.v13i5.4446.
[9] O. M. Wulandari, I. Maulana, F. Syamsudin, and R. Waluyo, “Perbandingan Algoritma Naive Bayes dan SVM dalam Analisis Sentimen Twitter terhadap Isu Ijazah Jokowi Palsu,” J. Manaj. Inform. Sist. Inf. dan Teknol. Komput., vol. 4, no. 1, pp. 392–400, 2025, doi: 10.70247/jumistik.v4i1.145.
[10] N. Khoirunnisaa, K. Nabila Nastiti Kesuma, S. Setiawan, and A. Yunizar Pratama Yusuf, “Klasifikasi Teks Ulasan Aplikasi Netflix Pada Google Play Store Menggunakan Algoritma Naïve Bayes Dan SVM,” SKANIKA Sist. Komput. dan Tek. Inform., vol. 7, no. 1, pp. 64–73, Jan. 2024, doi: 10.36080/skanika.v7i1.3138.
[11] U. M. Riau, “Pengenalan Dasar Pemrograman Python Dengan Google Colaboratory Basic,” no. 1, 2024, doi: 10.55606/jppmi.v3i1.1087.
[12] S. Suliman, “Implementasi Data Mining Terhadap Prestasi Belajar Mahasiswa Berdasarkan Pergaulan dan Sosial Ekonomi Dengan Algoritma K-Means Clustering,” Simkom, vol. 6, no. 1, pp. 1–11, 2021, doi: 10.51717/simkom.v6i1.48.
[13] A. Nurian, “Analisis Sentimen Ulasan Pengguna Aplikasi Google Play Menggunakan Naïve Bayes,” J. Inform. dan Tek. Elektro Terap., vol. 11, no. 3s1, pp. 829–835, Sep. 2023, doi: 10.23960/jitet.v11i3s1.3348.
[14] E. Eskiyaturrofikoh and R. R. Suryono, “Analisis Sentimen Aplikasi X Pada Google Play Store Menggunakan Algoritma Naïve Bayes Dan Support Vector Machine (SVM),” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 9, no. 3, pp. 1408–1419, Aug. 2024, doi: 10.29100/jipi.v9i3.5392.
[15] S. Kusumo, “Penerapan Web Scraping Deskripsi Produk Menggunakan Selenium Python Dan Framework Laravel,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 9, no. 4, pp. 3426–3435, Dec. 2022, doi: 10.35957/jatisi.v9i4.2727.
[16] I. T. Julianto, “Analisis Sentimen Terhadap Sistem Informasi Akademik Institut Teknologi Garut,” J. Algoritm., vol. 19, no. 1, pp. 449–456, 2022, doi: 10.33364/algoritma/v.19-1.1112.
[17] R. R. Salam, M. F. Jamil, Y. Ibrahim, R. Rahmaddeni, S. Soni, and H. Herianto, “Analisis Sentimen Terhadap Bantuan Langsung Tunai (BLT) Bahan Bakar Minyak (BBM) Menggunakan Support Vector Machine,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 3, no. 1, pp. 27–35, 2023, doi: 10.57152/malcom.v3i1.590.
[18] B. A. Maulana, M. J. Fahmi, A. M. Imran, and N. Hidayati, “Analisis Sentimen Terhadap Aplikasi Pluang Menggunakan Algoritma Naive Bayes dan Support Vector Machine (SVM),” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. 2, pp. 375–384, Feb. 2024, doi: 10.57152/malcom.v4i2.1206.
[19] A. Jalu et al., “Microsoft Word - 20. Atmaja Jalu Narendra Kisma, Chyntia Raras Ajeng Widiawati, Suliswaningsih 174-,” J. Tek. Inform. dan Sist. Inf., vol. 10, no. 2, pp. 174–184, 2023, doi: 10.35957/jatisi.v10i2.4784.
[20] M. Iqbal, M. Afdal, and R. Novita, “Implementasi Algoritma Support Vector Machine Untuk Analisa Sentimen Data Ulasan Aplikasi Pinjaman Online di Google Play Store,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. 4, pp. 1244–1252, Jul. 2024, doi: 10.57152/malcom.v4i4.1435.
[21] D. Fajar Nawulansih, N. Ceisa Santi, and I. Aristia Sa’ida, “Analisis Sentimen Ulasan Aplikasi DANA di Google Play Store: Penerapan Support Vector Machine dan Synthetic Minority Over-sampling Technique,” J. Pendidik. dan Teknol. Indones., vol. 5, no. 9, pp. 2660–2671, Sep. 2025, doi: 10.52436/1.jpti.1053.
[22] M. Fadli and R. A. Saputra, “Klasifikasi Dan Evaluasi Performa Model Random Forest Untuk Prediksi Stroke,” JT J. Tek., vol. 12, no. 02, pp. 72–80, 2023, doi: 10.31000/jt.v12i2.9099.
[23] Z. A. W. Sugandi and S. Sarmini, “Implementasi Metode Support Vector Machine (SVM) Pada Sistem Rekomendasi Produk Perawatan Wajah Berbasis Web,” J. Sist. dan Teknol. Inf., vol. 12, no. 3, p. 388, 2024, doi: 10.26418/justin.v12i3.74905.
[24] S. F. Sihotang, F. S. W. Harahap, and M. R. Mazaly, “Pendekatan Korelasi Pearson Dan Spearman Dalam Menganalisis Hubungan Penggunaan Bahan Ajar Berbasis Daring Dan Prestasi Akademik Mahasiswa,” MES J. Math. Educ. Sci., vol. 10, no. 1, pp. 270–276, Oct. 2024, doi: 10.30743/mes.v10i1.10204.
[25] P. Jambi, “Multi Proximity : Jurnal Statistika Universitas Jambi Analisis Korelasi Pearson Jumlah Penduduk dengan Jumlah Kendaraan Bermotor di Kepadatan penduduk dan jumlah kendaraan bermotor merupakan dua faktor yang saling variabel tersebut . Salah satu metode sta,” vol. 2, no. 1, pp. 39–44, 2023, doi: 10.22437/multiproximity.v2i1.25568.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 CESS (Journal of Computer Engineering, System and Science)
This work is licensed under a Creative Commons Attribution 4.0 International License.
