ANALISIS SENTIMEN ULASAN PENGGUNA APLIKASI OVO PADA GOOGLE PLAY STORE MENGGUNAKAN METODE NAIVE BAYES

Abstract

Penelitian ini bertujuan untuk menganalisis sentimen pengguna terhadap aplikasi pembayaran digital OVO berdasarkan ulasan pengguna yang diperoleh dari Google Play Store. Tujuan penelitian ini adalah untuk memahami persepsi pengguna, mengidentifikasi masalah yang sering muncul, serta memberikan rekomendasi untuk meningkatkan kualitas layanan aplikasi. Pendekatan supervised learning digunakan dengan algoritma Multinomial Naïve Bayes (MNB). Tahapan penelitian meliputi akuisisi data, pra-pemrosesan teks (lowercasing, pembersihan noise, penghapusan angka, stopword removal, dan stemming), pelabelan sentimen berdasarkan skor rating, ekstraksi fitur menggunakan TF-IDF, pembagian data secara stratifikasi, dan evaluasi model menggunakan akurasi, presisi, recall, dan F1-score. Dataset terdiri dari ribuan ulasan dengan distribusi sentimen yang tidak seimbang dan didominasi oleh ulasan negatif. Model MNB menghasilkan akurasi sebesar 80,50%, yang menunjukkan performa yang cukup baik dalam mengklasifikasikan ulasan menjadi kategori positif, netral, dan negatif. Namun, model masih mengalami kendala dalam membedakan sentimen netral karena adanya kesamaan kosakata dengan kelas lain. Analisis TF-IDF menunjukkan bahwa sebagian besar ulasan negatif menyoroti masalah serius seperti kegagalan transaksi, ketidakstabilan sistem, saldo tertahan, serta biaya administrasi yang membebani pengguna. Temuan penelitian ini memberikan wawasan penting mengenai pengalaman pengguna serta mengidentifikasi aspek-aspek utama yang perlu diperbaiki untuk meningkatkan keandalan layanan OVO. Meskipun demikian, penelitian ini memiliki beberapa keterbatasan, termasuk ketidakseimbangan data dan keterbatasan algoritma Naïve Bayes dalam memahami konteks teks yang lebih kompleks. Penelitian selanjutnya disarankan untuk menggunakan model NLP yang lebih canggih serta memperluas cakupan dataset guna meningkatkan performa dan kedalaman analisis.