Analisis Sentimen Ulasan Aplikasi Kredivo di Google Play Store Menggunakan Algoritma Support Vector Machine, Naive Bayes, dan Random Forest

Yosdi Ngatidjan, Hadiono (2025) Analisis Sentimen Ulasan Aplikasi Kredivo di Google Play Store Menggunakan Algoritma Support Vector Machine, Naive Bayes, dan Random Forest. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (750kB)
	PDF BAB_I.pdf Download (282kB)
	PDF BAB_II.pdf Download (526kB)
	PDF BAB_III.pdf Download (413kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Download (228kB)
	PDF DAFTAR_PUSTAKA.pdf Download (243kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (389kB)

Abstract

Penelitian ini menganalisis sentimen ulasan pengguna aplikasi Kredivo dari Google Play Store. Ulasan yang sangat beragam dan tidak terstruktur menimbulkan tantangan bagi Kredivo dalam memahami opini pengguna secara sistematis dan mengidentifikasi isu-isu krusial. Masalah ketidakseimbangan kelas sentimen pada data ulasan ini, di mana sentimen positif jauh lebih dominan, menjadi celah penelitian yang diatasi dalam studi ini. Metode penelitian menggunakan kerangka kerja CRISP-DM (Cross- Industry Standard Process for Data Mining) dengan tahapan Business Understanding, Data Understanding, Data Preparation, Modelling, Evaluation, dan Deployment. Sebanyak 10.000 data ulasan dikumpulkan dan diproses melalui tahapan preprocessing seperti case folding, pembersihan teks, stopword removal, stemming, dan transformasi fitur menggunakan TF-IDF. Untuk mengatasi ketidakseimbangan kelas, teknik oversamplin4g SMOTE (Synthetic Minority Over-sampling Technique) diterapkan pada data latih. Model klasifikasi dibangun menggunakan algoritma Support Vector Machine (SVM), Naïve Bayes, dan Random Forest. Berdasarkan evaluasi, model SVM menunjukkan performa terbaik dengan akurasi 93,67% (sebelum SMOTE), diikuti oleh Random Forest (93,41%) dan Naïve Bayes (91,83%). Namun, penerapan SMOTE justru menurunkan performa klasifikasi untuk kelas sentimen negatif pada ketiga model, mengindikasikan bahwa data sintetis tidak meningkatkan kemampuan deteksi kelas minoritas dalam kasus ini. Model terbaik (SVM tanpa SMOTE) diimplementasikan dalam dashboard interaktif berbasis web menggunakan Streamlit, yang memungkinkan pengguna mengunggah dataset, memilih algoritma, melihat visualisasi, dan memprediksi sentimen secara manual. Penelitian ini memberikan wawasan tentang tantangan klasifikasi pada data tidak seimbang dan menyajikan solusi visual untuk analisis opini pengguna pada layanan keuangan digital.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Dashboard, Kredivo, Machine Learning, Sentimen, Support Vector Machine. 8 Analisis Sentimen Ulasan..., Hadiono Yosdi Ngatidjan, Universitas Multimedia Nusantara
Subjects:	?? T70 ??
Divisions:	Faculty of Engineering & Informatics > Information System
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	23 Jul 2025 11:02
Last Modified:	23 Jul 2025 11:02
URI:	https://kc.umn.ac.id/id/eprint/39147

Actions (login required)

View Item