Optimasi Analisis Sentimen terhadap Aplikasi Pencari Kerja Menggunakan Perbandingan Algoritma Machine Learning

Prastiansyah, Zaki (2025) Optimasi Analisis Sentimen terhadap Aplikasi Pencari Kerja Menggunakan Perbandingan Algoritma Machine Learning. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (798kB)
	PDF BAB_I.pdf Download (296kB)
	PDF BAB_II.pdf Download (644kB)
	PDF BAB_III.pdf Download (387kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (3MB)
	PDF BAB_V.pdf Download (200kB)
	PDF DAFTAR_PUSTAKA.pdf Download (214kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (895kB)

Abstract

Pertumbuhan aplikasi pencari kerja seperti KitaLulus, JobStreet, dan LinkedIn di Indonesia memberikan kemudahan bagi masyarakat dalam mencari pekerjaan yang sesuai. Namun, keberhasilan aplikasi tersebut sangat bergantung pada kepuasan dan pengalaman pengguna. Penelitian ini bertujuan untuk melakukan analisis sentimen terhadap ulasan pengguna dari ketiga aplikasi tersebut yang diambil dari Google Play Store. Data yang digunakan berjumlah masing-masing 1000 ulasan dan dianalisis menggunakan metode Knowledge Discovery in Databases (KDD) dengan tahapan mulai dari pengumpulan data, preprocessing, ekstraksi fitur menggunakan TF-IDF, hingga klasifikasi sentimen menggunakan lima algoritma machine learning: Naïve Bayes, Support Vector Machine (SVM), K-Nearest Neighbors (KNN), Decision Tree, dan Random Forest. Evaluasi dilakukan dengan menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma Random Forest memberikan performa terbaik dengan akurasi tertinggi mencapai 91,50% dalam menganalisis sentimen aplikasi KitaLulus. Optimasi menggunakan Grid Search mampu meningkatkan akurasi secara signifikan, sementara teknik SMOTE menunjukkan hasil yang kurang optimal. Penelitian ini memberikan kontribusi dalam pemilihan model machine learning terbaik untuk analisis sentimen serta memberikan gambaran kepada pengembang aplikasi untuk meningkatkan kualitas layanan berdasarkan persepsi pengguna.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Analisis Sentimen, Machine Learning, Random Forest, TF-IDF, KDD
Subjects:	?? T70 ??
Divisions:	Faculty of Engineering & Informatics > Information System
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	09 Jul 2025 11:01
Last Modified:	09 Jul 2025 11:01
URI:	https://kc.umn.ac.id/id/eprint/38470

Actions (login required)

View Item