Analisis Sentimen Ulasan Aplikasi TikTok di Google Play Store Menggunakan Algoritma Support Vector Machine
DOI:
https://doi.org/10.47111/jointecoms.v6i1.25768Keywords:
Analisis Sentimen, Support Vector Machine, TikTok, AlgoritmaAbstract
TikTok adalah sebuah aplikasi jejaring sosial dan platform video music di mana pengguna bisa membuat, mengedit, dan berbagi klip video pendek lengkap dengan filter dan disertai musik sebagai pendukung. Di Google Play Store aplikasi TikTok telah diunduh sebanyak 500 juta lebih pengguna per Februari 2024. Dengan banyaknya pengguna TikTok terdapat ulasan yang beragam, baik yang positif maupun negatif. Dari ulasan tersebut dapat diketahui bagaimana sentimen pengguna terhadap aplikasi TikTok. Analisis sentimen menjadi penting karena memungkinkan pihak TikTok untuk memahami opini dan persepsi pengguna terhadap produk atau layanan mereka. Analisis sentimen dilakukan menggunakan algoritma Support Vector Machine karena mempunyai kemampuan yang lebih baik dibandingkan algoritma lainnya. Data diolah terlebih dahulu pada tahap preprocessing kemudian diberi label dengan pendekatan lexicon based. Data splitting yang dipilih untuk modeling adalah 90% data latih dan 10% data uji. Model yang telah dilatih menghasilkan performa yang baik dengan akurasi sebesar 93.78%, presision positif sebesar 95.00% dan negatif sebesar 90.08%, recall positif sebesar 96.67% dan negatif sebesar 85.58%, nilai f1-score positif sebesar 95.83% dan negatif sebesar 87.77%. Hasil dari penelitian ini kemudian diimplementasikan dalam bentuk interface web menggunakan library streamlit.
Downloads
References
[1] B. Winarso, “Apa Itu TikTok dan Apa Saja Fitur-fiturnya?,” DailySocial.id. Diakses: 26 Februari 2024. [Daring]. Tersedia pada: https://dailysocial.id/post/apa-itu-tik-tok
[2] S. Fanissa, M. A. Fauzi, dan S. Adinugroho, “Analisis Sentimen Pariwisata di Kota Malang Menggunakan Metode Naive Bayes dan Seleksi Fitur Query Expansion Ranking,” 2018. [Daring]. Tersedia pada: http://j-ptiik.ub.ac.id
[3] E. Suryati, A. Ari Aldino, N. Penulis Korespondensi, dan E. Suryati Submitted, “Analisis Sentimen Transportasi Online Menggunakan Ekstraksi Fitur Model Word2vec Text Embedding Dan Algoritma Support Vector Machine (SVM),” vol. 4, no. 1, hlm. 96–106, 2023, doi: 10.33365/jtsi.v4i1.2445.
[4] M. Samantri dan Afiyati, “Perbandingan Algoritma Support Vector Machine dan Random Forest untuk Analisis Sentimen Terhadap Kebijakan Pemerintah Indonesia Terkait Kenaikan Harga BBM Tahun 2022,” Jurnal Teknologi Informasi dan Komunikasi), vol. 8, no. 1, hlm. 2024, 2024, doi: 10.35870/jti.
[5] N. Raisa, N. Riza, dan W. I. Rahayu, “Analisis Sentimen Menggunakan SVM Dan KNN Pada Review Drama Korea Di Mydramalist,” 2023.
[6] Y. A. Singgalen, “Analisis Sentimen Top 10 Traveler Ranked Hotel di Kota Makassar Menggunakan Algoritma Decision Tree dan Support Vector Machine,” KLIK: Kajian Ilmiah Informatika dan Komputer, vol. 4, no. 1, hlm. 323–332, 2023, doi: 10.30865/klik.v4i1.1153.
[7] J. Alfiah Zulqornain, Indriati, dan P. Pandu Adikara, “Analisis Sentimen Tanggapan Masyarakat Aplikasi Tiktok Menggunakan Metode Naïve Bayes dan Categorial Propotional Difference (CPD),” Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, vol. 5, no. 7, hlm. 2886–2890, 2021, [Daring]. Tersedia pada: http://j-ptiik.ub.ac.id
[8] F. V. Sari dan A. Wibowo, “Analisis Sentimen Pelanggan Toko Online JD.ID Menggunakan Metode Naïve Bayes Classifier Berbasis Konversi Ikon Emosi,” Jurnal SIMETRIS, vol. 10, no. 2, 2019.
[9] R. Mahendrajaya, G. A. Buntoro, dan M. B. Setyawan, “Analisis Sentimen Pengguna Gopay Menggunakan Metode Lexicon Based Dan Support Vector Machine,” Komputek, vol. 3, no. 2, hlm. 52–63, 2019, doi: 10.24269/jkt.v3i2.270.
[10] S. Y. Pangestu, Y. Astuti, dan L. D. Farida, “Algoritma Support Vector Machine Untuk Klasifikasi Sikap Politik Terhadap Partai Politik Indonesia,” Jurnal Mantik Penusa, vol. 3, no. 1, hlm. 236–241, 2019, [Daring]. Tersedia pada: https://t.co/eF
[11] H. C. Husada dan A. S. Paramita, “Analisis Sentimen Pada Maskapai Penerbangan di Platform Twitter Menggunakan Algoritma Support Vector Machine (SVM),” Teknika, vol. 10, no. 1, hlm. 18–26, Feb 2021, doi: 10.34148/teknika.v10i1.311.
[12] S. Lende dkk., “Analisis Sentimen Siswa Terhadap Pelajaran Informatika di SMPK St. Yohanes Kalembu Lona Dengan Metode Naive Bayes Classifer,” Jurnal Ilmu Komputer dan Sistem Informasi (JIKOMSI), vol. 6, hlm. 217–225, 2023.
[13] M. I. Fikri, T. S. Sabrila, Y. Azhar, dan U. M. Malang, “Perbandingan Metode Naïve Bayes dan Support Vector Machine pada Analisis Sentimen Twitter,” SMATIKA Jurnal: STIKI Informatika Jurnal, vol. 10, no. 02, hlm. 71–76, 2020.
[14] N. Aliyah Salsabila, Y. Ardhito Winatmoko, A. Akbar Septiandri, dan A. Jamal, “Colloquial Indonesian Lexicon,” dalam International Conference on Asian Language Processing (IALP), 2018, hlm. 226–229. doi: 10.1109/IALP.2018.8629151.
[15] F. Koto dan G. Y. Rahmaningtyas, “Inset lexicon: Evaluation of a word list for Indonesian sentiment analysis in microblogs,” dalam Proceedings of the 2017 International Conference on Asian Language Processing, IALP 2017, Institute of Electrical and Electronics Engineers Inc., Jul 2017, hlm. 391–394. doi: 10.1109/IALP.2017.8300625.
[16] D. H. Wahid dan S. N. Azhari, “Peringkasan Sentimen Esktraktif di Twitter Menggunakan Hybrid TF-IDF dan Cosine Similarity,” IJCCS (Indonesian Journal of Computing and Cybernetics Systems), vol. 10, no. 2, hlm. 207–218, 2016.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Journal of Information Technology and Computer Science
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
