PENINGKATAN KINERJA ANALISIS SENTIMEN PADA ULASAN APLIKASI IDENTITAS KEPENDUDUKAN DIGITAL (IKD) DI INDONESIA MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE (SVM) DAN SMOTE
DOI:
https://doi.org/10.24252/instek.v10i1.55292Keywords:
analisis sentimen, identitas kependudukan digital, SMOTE, support vector machine (SVM), word2vecAbstract
Analisis sentimen terhadap ulasan aplikasi Identitas Kependudukan Digital di Indonesia memberikan wawasan penting bagi pengembang dalam meningkatkan kualitas aplikasi. Penelitian ini menggunakan algoritma Support Vector Machine (SVM), yang dikenal andal dalam menangani data berdimensi tinggi, untuk mengklasifikasikan sentimen ulasan pengguna. Untuk mengatasi ketidakseimbangan data, diterapkan metode Synthetic Minority Oversampling Technique (SMOTE). Data ulasan diperoleh melalui data crawling dari Google Play Store sebanyak 1.498 komentar, kemudian diproses melalui pembersihan teks, normalisasi, tokenisasi, stemming, dan representasi numerik menggunakan Word2Vec. Hasil penelitian menunjukkan bahwa mayoritas komentar bersifat netral (78,2%), sedangkan komentar positif dan negatif masing-masing sebesar 10,3% dan 6,3%. Model SVM tanpa SMOTE mencapai akurasi 89,00% dengan F1-Score macro average 0,87 dan weighted average 0,89. Setelah penerapan SMOTE, akurasi meningkat menjadi 91,00%, dengan F1-Score macro average dan weighted average sebesar 0,91. Perbaikan signifikan terjadi pada kelas netral, di mana F1-Score meningkat dari 0,81 menjadi 0,99, meskipun performa kelas positif dan negatif sedikit menurun. Hasil ini menunjukkan bahwa kombinasi SVM dan SMOTE efektif dalam meningkatkan akurasi dan efisiensi klasifikasi sentimen pada data tidak seimbang.
Downloads
References
[1] Y. Wahba, N. Madhavji, and J. Steinbacher, “A Comparison of SVM against Pre-trained Language Models (PLMs) for Text Classification Tasks.”
[2] Abdul Hadi, B. Bernard, L. N. Hulu, and W. N. Hulu, “Sentimen Ulasan Pengguna E-Commerce Blibli Menggunakan Algoritma Naïve Bayes dan Support Vector Machine dengan Metode SMOTE,” Kohesi: Jurnal Multidisiplin Saintek, vol. 6, no. 5, pp. 1–9, 2025, doi: 10.8734/Kohesi.v1i2.365.
[3] Normah, B. Rifai, S. Vambudi, and R. Maulana, “Analisa Sentimen Perkembangan Vtuber Dengan Metode Support Vector Machine Berbasis SMOTE,” Jurnal Teknik Komputer AMIK BSI, vol. 8, no. 2, pp. 174–180, 2022, doi: 10.31294/jtk.v4i2.
[4] D. Fitria, T. H. Saragih, Muliadi, D. Kartini, and F. Indriani, “Classification of Appendicitis in Children Using SVM with KNN Imputation and SMOTE Approach to Improve Prediction Quality,” Journal of Electronics, Electromedical Engineering, and Medical Informatics, vol. 6, no. 3, pp. 302–311, 2024, doi: 10.35882/jeeemi.v6i3.470.
[5] W. P. Hutami, H. Wijayanto, and I. D. Sulvianti, “Penerapan Support Vector Machine dengan SMOTE Untuk Klasifikasi Sentimen Pemberitaan Omnibus Law Pada Situs CNNIndonesia.com,” Xplore: Journal of Statistics, vol. 11, no. 1, pp. 26–35, 2022, doi: 10.29244/xplore.v11i1.852.
[6] M. I. Putri and I. Kharisudin, “Penerapan Synthetic Minority Oversampling Technique (SMOTE) Terhadap Analisis Sentimen Data Review Pengguna Aplikasi Marketplace Tokopedia,” PRISMA, Prosiding Seminar Nasional Matematika, vol. 5, pp. 759–766, 2022.
[7] 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: Indonesian Journal of Machine Learning and Computer Science, vol. 4, no. 1, pp. 273–281, 2024, doi: 10.57152/malcom.v4i1.1085.
[8] Zairi saputra, H. A. Supahri, R. Ismanizan, and R. Rahmaddeni, “Perbandingan Algoritma KNN (K-Nearest Neighbors), Naïve Bayes, Dan SVM (Support Vector Machine) Untuk Klasifikasi Pemberian Pinjaman Nasabah,” Jurnal Ilmiah Sistem Informasi dan Teknik Informatika (JISTI), vol. 7, no. 1, pp. 67–75, 2024, doi: 10.57093/jisti.v7i1.182.
[9] R. A. Husen, R. Astuti, L. Marlia, R. Rahmaddeni, and L. Efrizoni, “Analisis Sentimen Opini Publik pada Twitter Terhadap Bank BSI Menggunakan Algoritma Machine Learning,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 3, no. 2, pp. 211–218, 2023, doi: 10.57152/malcom.v3i2.901.
[10] Nila Rusiardi Jayanti, “Analisis Sentimen Review Aplikasi Identitas Kependudukan Digital Menggunakan Algoritma Support Vector Machine,” Global: Jurnal Lentera BITEP, vol. 02, no. 04, pp. 3025–5503, 2024.
[11] D. Utami, “Analisis Metode Wordtovec Pada Performa Klasifikasi Kategori Berita Menggunakan Metode SVM dan KNN,” Explore, vol. 11, no. 2, p. 82, 2021, doi: 10.35200/explore.v11i2.479.
[12] M. M. Trusca, “Efficiency of SVM classifier with Word2Vec and Doc2Vec models,” Proceedings of the International Conference on Applied Statistics, vol. 1, no. 1, pp. 496–503, 2019, doi: 10.2478/icas-2019-0043.
[13] M. A. Fauzi, “Word2Vec model for sentiment analysis of product reviews in Indonesian language,” International Journal of Electrical and Computer Engineering (IJECE), vol. 9, no. 1, p. 525, 2019, doi: 10.11591/ijece.v9i1.pp525-530.
[14] W. Eko Saputro, H. Yuana, and W. Dwi Puspitasari, “Analisis Sentimen Pengguna Dompet Digital Dana Pada Kolom Komentar Google Play Store Dengan Metode Klasifikasi Support Vector Machine,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 7, no. 2, pp. 1151–1156, 2023, doi: 10.36040/jati.v7i2.6842.
[15] F. Bei and S. Sudin, “Analisis Sentimen Aplikasi Tiket Online Di Play Store Menggunakan Metode Support Vector Machine (Svm),” Sismatik, vol. 01, no. 01, pp. 91–97, 2021.
[16] T. D. Putra, E. Utami, and M. P. Kurniawan, “Analisis Sentimen Pemilu 2024 dengan Naive Bayes Berbasis Particle Swarm Optimization (PSO),” Explore, vol. 13, no. 1, pp. 1–5, 2023, doi: 10.35200/ex.v11i2.13.
[17] H. Sujadi, “Analisis Sentimen Pengguna Media Sosial Twitter Terhadap Wabah Covid-19 Dengan Metode Naive Bayes Classifier Dan Support Vector Machine,” INFOTECH journal, vol. 8, no. 1, pp. 22–27, 2022, doi: 10.31949/infotech.v8i1.1883.
[18] R. Talisman, “Perancangan Aplikasi Data Crawling Untuk Pencarian Buku Pada Toko Buku Online,” vol. 11, no. 4, pp. 4333–4340, 2024.
[19] A. Y. Nugroho, U. Cendekia, and M. Indonesia, “Penerapan Teknik Analisis Data untuk Prediksi Penjualan Exploratory Data Analysis ( EDA ),” vol. 02, no. 03, pp. 922–929, 2024.
[20] A. Agung, A. Daniswara, I. Kadek, and D. Nuryana, “Data Preprocessing Pola Pada Penilaian Mahasiswa Program Profesi Guru,” Journal of Informatics and Computer Science, vol. 05, pp. 97–100, 2023.
[21] R. Peranginangin, E. J. G. Harianja, I. K. Jaya, and B. Rumahorbo, “Penerapan Algoritma Safe-Level-Smote Untuk Peningkatan Nilai G-Mean Dalam Klasifikasi Data Tidak Seimbang,” METHOMIKA Jurnal Manajemen Informatika dan Komputerisasi Akuntansi, vol. 4, no. 1, pp. 67–72, 2020, doi: 10.46880/jmika.vol4no1.pp67-72.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 M. Rafly Gusmansyah, Rahmaddeni, Heri Hendrawan, Rohid
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
