KLASIFIKASI SENTIMEN ULASAN PENGGUNA APLIKASI ROBLOX DI GOOGLE PLAY STORE MENGGUNAKAN MACHINE LEARNING SUPERVISED

Giri Marullana; Nining Rahaningsih; Irfan Ali; Ade Rizki Rinaldi

Authors

Giri Marullana STMIK IKMI Cirebon, Indonesia
Nining Rahaningsih STMIK IKMI Cirebon, Indonesia
Irfan Ali STMIK IKMI Cirebon, Indonesia
Ade Rizki Rinaldi STMIK IKMI Cirebon, Indonesia

Keywords:

Analisis Sentimen, Roblox, Google Play Store, Naïve Bayes

Abstract

Perkembangan teknologi digital dan meningkatnya penggunaan aplikasi mobile menjadikan evaluasi kualitas aplikasi melalui ulasan pengguna di platform seperti Google Play Store semakin penting. Ulasan tersebut mengandung opini, pengalaman, dan keluhan pengguna, namun jumlahnya yang besar serta penggunaan bahasa tidak baku membuat analisis manual menjadi tidak efisien dan rentan bias. Oleh karena itu, diperlukan sistem analisis otomatis yang mampu mengolah data teks secara cepat dan akurat. Penelitian ini berfokus pada klasifikasi sentimen ulasan pengguna aplikasi Roblox secara otomatis serta menentukan algoritma machine learning yang paling efektif. Roblox sebagai platform permainan daring populer menghasilkan ulasan yang beragam, tidak terstruktur, dan sering mengandung slang, sehingga membutuhkan preprocessing yang tepat. Dataset diperoleh melalui proses web scraping menggunakan pustaka google-play-scraper pada Python, menghasilkan sekitar 100.000 ulasan berbahasa Indonesia, yang kemudian diseleksi menjadi 9.897 data setelah preprocessing. Penelitian ini menggunakan pendekatan hybrid dengan mengombinasikan metode lexicon-based menggunakan kamus sentimen InSet untuk pelabelan data, serta machine learning supervised untuk klasifikasi. Representasi fitur dilakukan menggunakan TF-IDF, dan data dibagi menjadi 80% data latih dan 20% data uji. Tiga algoritma yang digunakan adalah Naïve Bayes, Support Vector Machine (SVM), dan Random Forest. Hasil evaluasi menunjukkan bahwa SVM memiliki performa terbaik dengan akurasi 0,89, diikuti Random Forest sebesar 0,80 dan Naïve Bayes sebesar 0,62. Selain itu, dilakukan User Acceptance Test terhadap aplikasi berbasis web yang dikembangkan, dengan hasil rata-rata kepuasan sebesar 4,35 (kategori sangat puas).

References

X. Chen, Z. Wang, and X. Di, “Sentiment Analysis on Multimodal Transportation during the COVID-19 Using Social Media Data,” Information, vol. 14, no. 2, p. 113, Feb. 2023, doi: 10.3390/info14020113.

A. Ligthart, C. Catal, and B. Tekinerdogan, “Systematic reviews in sentiment analysis: a tertiary study,” Artificial Intelligence Review, vol. 54, no. 7, pp. 4997–5053, Oct. 2021, doi: 10.1007/s10462-021-09973-3.

Y. Qi and Z. Shabrina, “Sentiment analysis using Twitter data: a comparative application of lexicon- and machine-learning-based approach,” Social Network Analysis and Mining, vol. 13, no. 1, p. 31, Feb. 2023, doi: 10.1007/s13278-023-01030-x.

E. C. M. Torres and L. G. de Picado-Santos, “Sentiment Analysis and Topic Modeling in Transportation: A Literature Review,” Applied Sciences, vol. 15, no. 12, p. 6576, Jun. 2025, doi: 10.3390/app15126576.

J. Mutinda, W. Mwangi, and G. Okeyo, “Sentiment Analysis of Text Reviews Using Lexicon-Enhanced Bert Embedding (LeBERT) Model with Convolutional Neural Network,” Applied Sciences, vol. 13, no. 3, p. 1445, Jan. 2023, doi: 10.3390/app13031445.

M. Tran, C. Draeger, X. Wang, and A. Nikbakht, “Monitoring the well-being of vulnerable transit riders using machine learning based sentiment analysis and social media: Lessons from COVID-19,” Environment and Planning B: Urban Analytics and City Science, vol. 50, no. 1, pp. 60–75, Jan. 2023, doi: 10.1177/23998083221104489.

T. Fan, H. Wang, P. Wu, C. Ling, and M. T. Ahvanooey, “Multimodal sentiment analysis for social media contents during public emergencies,” Journal of Data and Information Science, vol. 8, no. 3, pp. 61–87, Jun. 2023, doi: 10.2478/jdis-2023-0012.