Penerapan Algoritma Naive Bayes dalam Analisis Sentimen Ulasan Aplikasi KitaLulus di Google Play Store

Dina Siti Nurrochmah; Nining Rahaningsih; Raditya Danar Dana; Cep Lukman Rohmat

doi:10.54914/jit.v11i1.1544

Penulis

Dina Siti Nurrochmah STMIK IKIM Cirebon
Nining Rahaningsih STMIK IKMI Cirebon
Raditya Danar Dana STMIK IKMI Cirebon
Cep Lukman Rohmat STMIK IKMI Cirebon

DOI:

https://doi.org/10.54914/jit.v11i1.1544

Kata Kunci:

Analisis Sentimen, Google Play Store, KitaLulus, Naive Bayes, Ulasan Pengguna

Abstrak

Aplikasi pencarian kerja daring semakin berkembang dan memegang peranan penting dalam memenuhi kebutuhan pencari kerja di Indonesia. Aplikasi KitaLulus, salah satu platform unggulan, menghadapi tantangan berupa ulasan pengguna di Google Play Store yang mengindikasikan adanya kendala teknis, ketidakresponsifan layanan, dan kurangnya informasi lowongan pekerjaan. Penelitian ini bertujuan untuk menganalisis sentimen ulasan pengguna terhadap aplikasi KitaLulus dengan menerapkan algoritma Naive Bayes. Data dikumpulkan melalui metode web scraping dari 1.000 ulasan yang diperoleh antara September hingga November 2024. Proses pra-pemrosesan data meliputi pembersihan teks, tokenisasi, penghapusan stopword, dan stemming, sehingga ulasan dapat diklasifikasikan ke dalam tiga kategori sentimen: positif, netral, dan negatif. Evaluasi model dilakukan menggunakan confusion matrix dengan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan mayoritas ulasan bersifat positif, meskipun terdapat sejumlah ulasan negatif yang mengeluhkan performa aplikasi dan keterbatasan fitur. Model Naive Bayes mencapai akurasi 88%, presisi 87%, recall 88%, dan F1-score 85%. Keunggulan metode ini terletak pada efisiensi pengolahan data teks berukuran besar dengan komputasi yang lebih ringan dibandingkan metode lain seperti KNN dan SVM. Penelitian ini memberikan kontribusi signifikan bagi pengembangan aplikasi, meningkatkan kualitas layanan, dan memperkaya literatur analisis sentimen dalam bidang teknologi informasi. Temuan penelitian ini diharapkan menjadi dasar utama pengembangan strategi inovatif bagi masyarakat.

Unduhan

Data unduhan belum tersedia.

Referensi

[1] KitaLulus., “Platform Pencarian Kerja Berorientasi Komunitas Terbesar dan Teraman di Indonesia,” 2024. https://id.kitalulus.com/tentang-kitalulus (accessed Oct. 15, 2024).

[2] E. A. H. Ernianti Hasibuan, “Analisis Sentimen pada Ulasan Aplikasi Amazon Shopping di Google Play,” J. Tek. dan Sci., vol. 1, no. 3, pp. 13–24, 2022.

[3] B. Irawan, A. Bahtiar, P. Studi, T. Informatika, K. Cirebon, and A. Adakami, “Penggunaan Algoritma Naïve Bayes dalam Menganalisis Sentimen Ulasan Aplikasi Adakami di Google Play Store,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 6, pp. 3879–3885, 2023.

[4] Y. A. Singgalen, “Analisis Sentimen Wisatawan Melalui Data Ulasan Candi Borobudur di Tripadvisor Menggunakan Algoritma Naïve Bayes Classifier,” Build. Informatics, Technol. Sci., vol. 4, no. 3, 2022, doi: 10.47065/bits.v4i3.2486.

[5] A. Perdana, A. Hermawan, and D. Avianto, “Analisis Sentimen Terhadap Isu Penundaan Pemilu di Twitter Menggunakan Naive Bayes Classifier,” J. SISFOKOM, vol. 11, pp. 195–200, 2022.

[6] A. R. K. Nurhaliza Agustina C.A, Desy Herlina Citra, Wido Purnama, Chairun Nisa, “Implementasi Algoritma Naive Bayes untuk Analisis Sentimen Ulasan Shopee pada Google Play Store,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 2, no. April, pp. 47–54, 2022.

[7] I. J. Muhamad Ilmar Rifaldi, Yudhi Raymond Ramadhan., “Analisis Sentimen terhadap Aplikasi ChatGPT pada Twitter Menggunakan Algoritma Naïve Bayes,” J. Sains Komput. Inform., vol. 7, no. September, pp. 802–814, 2023.

[8] F. N. Hasan and M. Dwijayanti, “Analisis Sentimen Ulasan Pelanggan terhadap Layanan Grab Indonesia Menggunakan Multinominal Naïve Bayes Classifier,” J. Linguist. komputasional, vol. 4, no. 2, pp. 52–58, 2021.

[9] S. M. Siroj, I. Arwani, and D. E. Ratnawati, “Analisis Sentimen Opini Publik pada Twitter terhadap Efek Pembelajaran Daring di Universitas Brawijaya menggunakan Metode K-Nearest Neighbor,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 7, pp. 3131–3140, 2021.

[10] R. Sistem et al., “Analisis Sentimen dan Pemodelan Topik Pariwisata Lombok,” J. RESTI, vol. 1, no. 10, pp. 123–131, 2021.

[11] T. Krisdiyanto, E. Maricha, and O. Nurharyanto, “Analisis Sentimen Opini Masyarakat Indonesia Terhadap Kebijakan PPKM pada Media Sosial Twitter Menggunakan Naïve Bayes Clasifiers,” J. CoreIT, vol. 7, no. 1, pp. 32–37, 2021.

[12] A. Kusneti, L., Ratu, A., Wijaya, “Analisis Sentimen Ulasan Aplikasi Linkedin Dalam Google Play Store Dengan Model Naïve Bayes,” Djtechno J. Teknol. Inf., vol. 4, no. 2, pp. 374–385, 2023, doi: 10.46576/djtechno.

[13] E. Indrayuni and M. Informatika, “Komparasi Algoritma Naive Bayes dan Support Vector Machine Untuk Analisa Sentimen Review Film,” vol. 14, no. 2, pp. 175–180, 2018.

[14] F. Sidik, I. Suhada, A. H. Anwar, and F. N. Hasan, “Analisis Sentimen Terhadap Pembelajaran Daring dengan Algoritma Naïve Bayes Classifier,” J. Linguist. komputasional, vol. 5, no. 1, pp. 34–43, 2022.

[15] P. Yuniar, “Analisis Sentimen Ulasan pada Gojek Menggunakan Metode Naïve Bayes,” Statistika, vol. 23, no. 2, pp. 164–175, 2023.