ANALISIS SENTIMEN PENGGUNA MYPERTAMINA PADA GOOGLE PLAYSTORE MENGGUNAKAN NAÏVE BAYES CLASSIFIER

Ekie Nurrohman; Rudi Kurniawan; Bani Nurhakim; Ratna Dewi Lestyorini

Authors

Ekie Nurrohman STMIK IKMI Cirebon, Indonesia
Rudi Kurniawan STMIK IKMI Cirebon, Indonesia
Bani Nurhakim STMIK IKMI Cirebon, Indonesia
Ratna Dewi Lestyorini STMIK IKMI Cirebon, Indonesia

Keywords:

Analisis Sentimen, Naïve Baye, MyPertamina

Abstract

Perkembangan layanan digital pada sektor energi mendorong penggunaan aplikasi MyPertamina sebagai sarana transaksi bahan bakar dan pengelolaan subsidi energi oleh masyarakat. Seiring meningkatnya jumlah pengguna, ulasan yang diberikan pada Google Play Store juga terus bertambah dan mencerminkan berbagai persepsi, pengalaman, serta tingkat kepuasan pengguna terhadap aplikasi tersebut. Namun, banyaknya ulasan yang tersedia membuat proses analisis secara manual menjadi tidak efisien dan sulit dilakukan secara sistematis. Kondisi ini menimbulkan kebutuhan akan metode otomatis yang mampu mengolah dan mengklasifikasikan opini pengguna secara cepat dan akurat. Oleh karena itu, penelitian ini bertujuan untuk menganalisis sentimen pengguna aplikasi MyPertamina dengan mengklasifikasikan ulasan ke dalam kategori positif, negatif, dan netral menggunakan pendekatan machine learning. Metode yang digunakan dalam penelitian ini adalah algoritma Multinomial Naïve Bayes Classifier dengan representasi fitur menggunakan Term Frequency-Inverse Document Frequency (TF-IDF). Dataset yang digunakan terdiri dari 9.104 ulasan pengguna yang diperoleh dari Google Play Store dan telah melalui tahapan preprocessing teks yang meliputi data cleaning, tokenization, stopword removal, dan stemming. Untuk mengatasi permasalahan ketidakseimbangan distribusi data antar kelas sentimen, penelitian ini menerapkan pendekatan class prior guna mengurangi bias prediksi terhadap kelas mayoritas. Proses evaluasi model dilakukan dengan menggunakan metrik accuracy, precision, recall, dan F1-score untuk mengukur kinerja klasifikasi. Hasil penelitian menunjukkan bahwa model Multinomial Naïve Bayes mampu mengklasifikasikan sentimen pengguna dengan tingkat akurasi sebesar 80,56%. Model menunjukkan performa yang baik pada kelas positif dan negatif, namun kinerja pada kelas netral masih relatif rendah akibat ketidakseimbangan distribusi data dan karakteristik bahasa ulasan yang ambigu. Secara keseluruhan, metode yang diterapkan mampu memberikan gambaran mengenai persepsi pengguna terhadap aplikasi MyPertamina serta dapat menjadi dasar evaluasi bagi pengembang dalam meningkatkan kualitas layanan aplikasi.

References

Alenazi, F. S., & Hindi, K. El. (2023). applied sciences Complement-Class Harmonized Naïve Bayes Classifier. 1–18.

Ammar, H., & Wiranata, A. D. (2025). Perbandingan Tingkat Akurasi Algori tma Naïve Bayes , Decision Tree dan Random Forest dalam Analisis Sentimen Pengguna Aplikasi Samsat Digital Nasional. 10(1), 59–73.

Analisis, U., & Berbasis, S. (2023). Jurnal Indonesia : Manajemen Informatika dan Komunikasi PENERAPAN ALGORITMA TF-IDF DAN NAÏVE BAYES Jurnal Indonesia : Manajemen Informatika dan Komunikasi. 4(3), 1822–1834.

Apriyani, M. E., Nur, A. F., & Astuti, E. S. (2024). Performance Comparison of Naïve Bayes and SVM Algorithms in Sentiment Analysis on JKN Application Data. 04(02), 180–188.

Araujo, A. F., Gôlo, M. P. S., & Marcacini, R. M. (2022). Opinion mining for app reviews: an analysis of textual representation and predictive models. Automated Software Engineering, 29(1). https://doi.org/10.1007/s10515-021-00301-1

Ataei, P., Regula, S., Staegemann, D., & Malgaonkar, S. (2024). Filtering Useful App Reviews Using Naïve Bayes—Which Naïve Bayes? AI (Switzerland), 5(4), 2237–2259. https://doi.org/10.3390/ai5040110

Chairuddin, I., Putra, T. N., Tinggi, S., Pekanbaru, T., Pakar, S., & Chaining, F. (2021). Perancangan Sistem Pakar Jenis Kepribadian Menggunakan Metode Forward Chaining Berbasis Web. 8(3), 1200–1213.

Dąbrowski, J., Letier, E., Perini, A., & Susi, A. (2022). Analysing app reviews for software engineering: a systematic literature review. Empirical Software Engineering, 27(2). https://doi.org/10.1007/s10664-021-10065-7

Dana, A. (2023). Hybrid Machine Learning for Sentiment Analysis of Dana Application Reviews. 7(2), 51–58. https://doi.org/10.21070/jicte.v7i2.1651

Gôlo, M. P. S., Araújo, A. F., Rossi, R. G., & Marcacini, R. M. (2022). Detecting relevant app reviews for software evolution and maintenance through multimodal one-class learning. Information and Software Technology, 151. https://doi.org/10.1016/j.infsof.2022.106998

Hadi, M. A., & Fard, F. H. (2023). Evaluating pre-trained models for user feedback analysis in software engineering: a study on classification of app-reviews. Empirical Software Engineering, 28(4). https://doi.org/10.1007/s10664-023-10314-x

Hartati, T., Sohadi, R. T., Tohidi, E., & Wahyudin, E. (2024). Penerapan Algoritma Naive Bayes pada Analisis Sentimen Ulasan Aplikasi Whoosh – Kereta Cepat Di Google Play Store. 6(1), 244–249.

Heti Aprilianti, Khothibul Umam, & Maya Rini Handayani. (2025). Comparative Study of SVM, KNN, and Naïve Bayes for Sentiment Analysis of Religious Application Reviews. Journal of Applied Informatics and Computing, 9(3), 920–927. https://doi.org/10.30871/jaic.v9i3.9482

Khairunnas, R., Pagua, J. A., Fitriya, G., & Ruldeviyani, Y. (2025). User sentiment dynamics in social media : a comparative analysis of X and Threads. 14(1), 447–456. https://doi.org/10.11591/ijai.v14.i1.pp447-456

Khairunnisa, S., & Faraby, S. Al. (2021). Pengaruh Text Preprocessing terhadap Analisis Sentimen Komentar Masyarakat pada Media Sosial Twitter ( Studi Kasus Pandemi. 5(April), 406–414. https://doi.org/10.30865/mib.v5i2.2835

Khasanah, A. U., & Febriyanti, A. (2022). Sentiment Analysis of JNE User Perception using Naïve Bayes Classifier Algorithm. 15(1), 124–130.

Krasadakis, P., Sakkopoulos, E., & Verykios, V. S. (2024). A Survey on Challenges and Advances in Natural Language Processing with a Focus on Legal Informatics and Low-Resource Languages. Electronics (Switzerland), 13(3). https://doi.org/10.3390/electronics13030648

Lestari, V. B., & Hutagalung, C. A. (n.d.). Evaluation of TF-IDF Extraction Techniques in Sentiment Analysis of Indonesian-Language Marketplaces Using SVM , Logistic Regression , and Naive Bayes. 021, 36–44.

Li, Q., Peng, H., Li, J., Xia, C., Yang, R., Sun, L., & Yu, P. S. (2022). Twenty years of machine-learning-based text classification: A systematic review. Algorithms, 16(5). https://doi.org/10.3390/algorithms16050236

Li, Q., Peng, H., Li, J., Xia, C., Yang, R., Sun, L., Yu, P. S., & He, L. (2021). Learning. ACM Transactions on Intelligent Systems and Technology, 37(4).

Luo, Y., Liu, Y., Liu, J., Tang, S., Harkin, J., & Cao, Y. (2021). Counteracting dynamical degradation of a class of digital chaotic systems via Unscented Kalman Filter and perturbation. Information Sciences, 556, 49–66. https://doi.org/10.1016/j.ins.2020.12.065

Madjid, M. F., Ratnawati, D. E., & Rahayudi, B. (2023). Sentiment Analysis on App Reviews Using Support Vector Machine and Naïve Bayes Classification. Sinkron, 8(1), 556–562. https://doi.org/10.33395/sinkron.v8i1.12161

Maharani Pakpahan, M., Halmi Dar, M., & Nirmala Sari Hasibuan, M. (2025). Performance Evaluation of Machine Learning Algorithms in Aspect-Based Sentiment Analysis on E-Commerce User Reviews. International Journal of Science, Technology & Management, 6(4), 958–965. https://doi.org/10.46729/ijstm.v6i4.1255

Nainggolan, N., Sarumaha, B., Lumbanbatu, J. R., & Aisyah, S. (2024). Analisis Sentimen Pengguna Dompet Digital Menggunakan Algoritma Multivariat Bernoulli (Studi Kasus: Ovo Dan Gopay). Jurnal Teknik Informasi Dan Komputer (Tekinkom), 7(1), 345. https://doi.org/10.37600/tekinkom.v7i1.1223

Palomino, M. A. (2022). applied sciences Evaluating the Effectiveness of Text Pre-Processing in Sentiment Analysis.

Rainio, O. (2024). Evaluation metrics and statistical tests for machine learning. Scientific Reports, 1–14. https://doi.org/10.1038/s41598-024-56706-x

Sandu, A., Cotfas, L. A., Stănescu, A., & Delcea, C. (2024). A Bibliometric Analysis of Text Mining: Exploring the Use of Natural Language Processing in Social Media Research. Applied Sciences (Switzerland), 14(8). https://doi.org/10.3390/app14083144

Saraswati, D. Y., Handayani, M. R., Umam, K., & Mustofa, M. I. (2025). Sentiment Classification of MyPertamina Reviews Using Naïve Bayes and Logistic Regression. 9(4).

Setiawan, B. (2024). A Review of Sentiment Analysis Applications in Indonesia Between 2023-2024. 08, 71–83.

Suryana, A., Purnamasari, A. I., & Ali, I. (2024). MENGOPTIMALKAN KEPUASAN PENGGUNA : ANALISIS SENTIMEN REVIEW APLIKASI GRAB DI INDONESIA. 8(3), 3396–3404.

Tan, K. L., Lee, C. P., & Lim, K. M. (2023). A Survey of Sentiment Analysis: Approaches, Datasets, and Future Research. Applied Sciences (Switzerland), 13(7). https://doi.org/10.3390/app13074550