Komparasi Machine Learning dalam Analisis Sentimen Berbasis Aspek dan Deteksi Emosi pada Ulasan Aplikasi Lowongan Kerja

Hana Husna Safitri; Viktor Handrianus Pranatawijaya; Ressa Priskila

doi:10.47111/jointecoms.v6i1.25773

Komparasi Machine Learning dalam Analisis Sentimen Berbasis Aspek dan Deteksi Emosi pada Ulasan Aplikasi Lowongan Kerja

Authors

Hana Husna Safitri Jurusan Teknik Informatika, Fakultas Teknik, Universitas Palangka Raya
Viktor Handrianus Pranatawijaya Jurusan Teknik Informatika, Fakultas Teknik, Universitas Palangka Raya
Ressa Priskila Jurusan Teknik Informatika, Fakultas Teknik, Universitas Palangka Raya

DOI:

https://doi.org/10.47111/jointecoms.v6i1.25773

Keywords:

Machine Learning, Aplikasi Pencari Kerja, Aspek, Sentimen, Emosi

Abstract

Seiring meningkatnya penggunaan aplikasi pencari kerja, ulasan pengguna di platform digital menjadi sumber penting untuk mengevaluasi kualitas layanan. Namun, ulasan tersebut sering kali tidak terstruktur dan mengandung ekspresi kompleks. Penelitian ini menerapkan teknik machine learning untuk mengidentifikasi aspek dominan, serta memahami sentimen dan emosi dalam ulasan aplikasi Glints dan Jobstreet dari Google Play Store. Tiga model dibandingkan, yaitu Support Vector Machine (SVM), Random Forest, dan Multinomial Logistic Regression. Data diperoleh melalui scraping, diproses dengan tahapan preprocessing, dan dianotasi menggunakan LDA dan Generative AI untuk aspek, IndoBERT untuk sentimen, serta NRC Emotion Lexicon untuk emosi. Dataset dibagi dalam rasio 80:20 dan 90:10. Hasil menunjukkan bahwa model terbaik untuk klasifikasi aspek adalah SVM (split 90:10) dengan akurasi 97,67%, untuk sentimen adalah Multinomial Logistic Regression (split 90:10) dengan akurasi 94,49%, dan untuk emosi adalah SVM (split 90:10) dengan akurasi 99,46%. Aspek yang paling dominan adalah Pencarian Kerja, diikuti Pengalaman Pengguna. Sentimen ulasan didominasi oleh sentimen positif, dan emosi yang paling sering muncul adalah bahagia. Penelitian ini membantu mengevaluasi kinerja model dan memahami persepsi pengguna terhadap aplikasi pencari kerja.

Downloads

Download data is not yet available.

DOI: 10.47111/jointecoms.v6i1.25773 DOI URL: https://doi.org/10.47111/jointecoms.v6i1.25773

Views: 10 | Downloads: 6

References

[1] U. Sugiarti, “Tagar ‘Desperate’ Ramai di LinkedIn, Gen Z Kesulitan Cari Kerja,” GoodStats, 2024. [Online]. Available: https://goodstats.id/article/tagar-desperate-ramai-di-linkedin-kesulitan-gen-z-mencari-kerja-bNzcJ. [Accessed: Jan. 26, 2025].

[2] Y. Taufiqurrahman, “Persentase ‘Sarjana Pengangguran’ di RI Meningkat Dua Kali Lipat Selama 1 Dekade Terakhir,” GoodStats, 2024. [Online]. Available: https://data.goodstats.id/statistic/persentase-sarjana-pengangguran-di-ri-meningkat-dua-kali-lipat-selama-1-dekade-terakhir-9ah2d. [Accessed: Jan. 27, 2025].

[3] S. A. Saputra, D. Rosiyadi, W. Gata, and S. M. Husain, “Google Play E-Wallet Sentiment Analysis Using Naïve Bayes Algorithm Based on Particle Swarm Optimization,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 3, no. 3, pp. 377–382, 2019.

[4] A. R. Satria, S. Adinugroho, and Suprapto, “Analisis Sentimen Ulasan Aplikasi Mobile menggunakan Algoritma Gabungan Naïve Bayes dan C4.5 berbasis Normalisasi Kata Levenshtein Distance,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 4, no. 11, pp. 4154–4163, 2020.

[5] S. Fransiska, Rianto, and A. I. Gufroni, “Sentiment Analysis Provider by.U on Google Play Store Reviews with TF-IDF and Support Vector Machine (SVM) Method,” Scientific Journal of Informatics, vol. 7, no. 2, 2020.

[6] T. Hastie, R. Tibshirani, and J. Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2nd ed. New York: Springer, 2021.

[7] R. Andreswari and M. A. Hasibuan, “Sentiment analysis of social media Twitter with case of Anti-LGBT campaign in Indonesia using Naive Bayes, decision tree, and random forest algorithm,” Procedia Computer Science, vol. 161, pp. 765–772, 2019.

[8] S. R. Darawsheh, A. S. Al-Shaar, F. A. Haziemeh, and M. T. Alshurideh, “Classification Thyroid Disease Using Multinomial Logistic Regressions (LR),” Studies in Computational Intelligence, vol. 1056, pp. 645–659, 2023.

[9] B. T. Hung, “Joining Aspect Detection and Opinion Target Expression Based on Multi-Deep Learning Models,” Springer Series in Reliability Engineering, pp. 85–96, 2023.

[10] M. N. Alrasheedy, R. C. Muniyandi, and F. Fauzi, “Text-Based Emotion Detection and Applications: A Literature Review,” in Proc. Int. Conf. on Cyber Resilience (ICCR), 2022.

[11] D. Sathya, V. Sudha, and D. Jagadeesan, “Application of machine learning techniques in healthcare,” in Research Anthology on Machine Learning Techniques, Methods, and Applications, pp. 1294–1310, 2022.

[12] R. Sharma, J. Sandhu, and V. Bharti, “Experimental Analysis of a Multimodal Biometric System using Preprocessing and Feature Extraction Techniques and Their Impact on Analytical Results,” in Proc. 6th Int. Conf. on Computational Intelligence and Communication Technologies (CCICT), 2024, pp. 212–219.

Downloads

Published

2026-03-30

How to Cite

Husna Safitri, H., Handrianus Pranatawijaya, V., & Priskila, R. (2026). Komparasi Machine Learning dalam Analisis Sentimen Berbasis Aspek dan Deteksi Emosi pada Ulasan Aplikasi Lowongan Kerja. Journal of Information Technology and Computer Science, 6(1), 49–59. https://doi.org/10.47111/jointecoms.v6i1.25773