ANALISIS SENTIMEN PENGGUNA APLIKASI FORE MELALUI KOMENTAR DI GOOGLE PLAY STORE  MENGGUNAKAN METODE SVM

Mohamad Barkah; Edi Tohidi; Tati Suprapti; Arif Rinaldi Dikananda

Authors

Mohamad Barkah STMIK IKMI Cirebon, Indonesia
Edi Tohidi STMIK IKMI Cirebon, Indonesia
Tati Suprapti STMIK IKMI Cirebon, Indonesia
Arif Rinaldi Dikananda STMIK IKMI Cirebon, Indonesia

Keywords:

Analisis Sentimen, Support Vector Machine, Ulasan Pengguna

Abstract

Perkembangan kebutuhan konsumen akan kemudahan pemesanan dan pengiriman minuman melalui internet, aplikasi makanan dan minuman (F&B) berbasis ponsel FORE menjadi sangat populer dan tersedia di Google Play Store. Oleh karena itu, ulasan pengguna dapat membantu memahami persepsi pengguna, tingkat kepuasan, dan masalah yang muncul selama pengalaman penggunaan aplikasi Tujuan dari penelitian ini adalah untuk menganalisis sentimen pengguna aplikasi FORE dengan metode algoritma Support Vector Machine (SVM) serta membangun model klasifikasi guna memperoleh tikat kepuasan pengguna secara objektif. Penelitian ini memiliki 3.966 data ulasan pengguna dengan teknik web scrapping di Google Play Store pada periode Desember 2018 – Oktober 2025. Data dikumpulkan dengan meliputi preprocessing teks (pembersihan data, normalisasi, tokenisasi, penghapusan stopword, dan stemming menggunakan pustaka sastrawi) yang selanjutnya dilakukan menggunakan Teknik ekstraksi fitur Term Frequency–Inverse Document Frequency (TF-IDF) dengan menghasilkan 3.733 fitur, kemudian Dataset dibagi menjadi data latih sebesar 80% dan data uji sebesar 20%. Pelatihan model SVM digunakan dengan mengklasifikasikan ulasan ke dalam kategori positif, negatif dan netral dengan hasil menunjukan bahwa mayoritas sentimen positif sebanyak 1.923 data, diikuti sentimen netral sebanyak 1.572 data dan sentimen negatif sebanyak 223 data`. Model SVM menghasilkan akurasi sebesar 84.36% dengan performa sangat baik pada kelas positif (Precision 0.88 dan recall 0.95) namun relatif rendah pada kelas negatif (precision 0.72 dan recall 0.71) Hasil penelitian ini diharapkan dapat membantu aplikasi FORE meningkatkan kualitas layanan dan meningkatkan fitur yang sesuai dengan kebutuhan pengguna, dan diperlukan pendekatan data yang lebih optimal untuk meningkatkan kinerja model serta klasifikasi yang lebih akurat.

References

M. N. Akbar, N. Hasanahlmar, and M. H. Hasrul, “Sentiment Analysis Terhadap Review Aplikasi Maxim di Google Play Store Menggunakan Support Vector Machine (SVM),” vol. 2, no. 2, 2022.

T. Akhir and R. M. Komaran, “Model klasifikasi sentimen berita online menggunakan metode tf-idf + svm dan fine-tuned indobert,” 2025.

H. Allam and F. Alrowais, “Text Classification: How Machine Learning Is Transforming the Field,” Information, vol. 16, no. 2, p. 130, 2025, doi: 10.3390/info16020130.

M. N. Arifin, A. Hamzah, M. A. Huda, and N. Hasanah, “Analysis of Google Play Store User Sentiment Towards Application X Using the SVM Algorithm,” vol. 5, no. 1, pp. 249–258, 2025.

M. Bordoloi, S. Misra, and A. Raman, “Sentiment analysis: A survey on design framework and future directions,” PLoS ONE, 2023, doi: 10.1371/journal.pone.10026245.

J. Dąbrowski, E. Letier, and others, “Analysing app reviews for software engineering: a systematic literature review,” Empirical Software Engineering, 2021, doi: 10.1007/s10664-021-10065-7.

E. Damayanti, A. V. Vitianingsih, S. Kacung, and D. Cahyono, “Sentiment Analysis of Alfagift Application User Reviews Using Long Short-Term Memory (LSTM) and Support Vector Machine (SVM) Methods,” vol. 4, no. 2, pp. 509–521, 2024.

G. Ferdinands et al., “Performance of active learning models for screening prioritization in systematic reviews: a simulation study into the Average Time to Discover relevant records,” Systematic Reviews, vol. 12, no. 1, p. 100, 2023, doi: 10.1186/s13643-023-02257-7.

J.-J. Kim, S. Lee, and M. Choi, “A Comparative Study of Term-Weighting Schemes for Text Classification,” Journal of Information Processing & Management, 2022.

P. Kurniawati, R. Yanu, and D. Witarsyah, “Sentiment Analysis of Maxim Online Transportation App Reviews using Support Vector Machine (SVM) Algorithm,” vol. 5, no. 2, pp. 466–475, 2023, doi: 10.47065/bits.v5i2.4265.

W. Macias, K. Rodriguez, and H. Barriga, “Determinants of satisfaction with online food delivery providers and their impact on restaurant brands,” vol. 14, no. 4, pp. 557–578, 2025, doi: 10.1108/JHTT-04-2021-0117.

Q. Motger, M. Oriol, M. Tiessler, X. Franch, and J. Marco, “What About Emotions? Guiding Fine-Grained Emotion Extraction from Mobile App Reviews,” Empirical Software Engineering, 2025.

M. J. Prasetyo and I. M. A. Agastya, “Analisis Sentimen Ulasan Aplikasi Perbankan di Google Play Store menggunakan Algoritma Support Vector Machine,” vol. 13, pp. 2386–2400, 2024.

S. Roth et al., “Machine Learning Methods for Systematic Reviews: A Rapid Scoping Review,” Systematic Reviews, 2023, doi: 10.1186/s13643-023-02257-7.

A. Saeidmehr, P. David, G. Steel, and F. F. Samavati, “Systematic review using a spiral approach with machine learning,” Systematic Reviews, pp. 1–17, 2024, doi: 10.1186/s13643-023-02421-z.

G. J. Sagala and Y. T. Samuel, “Sentiment Analysis on ChatGPT App Reviews on Google Play Store Using Random Forest Algorithm, Support Vector Machine and Naïve Bayes,” Int. J. Eng. Business and Social Science, vol. 2, no. 04, pp. 1194–1204, 2024.

H. Soesanto, “Behavioral Intention Using Online Food Delivery Service: Information Technology,” vol. 24, no. 3, pp. 1186–1196, 2023.

Q. Su, A. Namin, and S. Ketron, “The effect of online company responses on app review quality,” Journal of Consumer Marketing, 2024, doi: 10.1108/JCM-06-2023-6098.

L. Sun, Y. He, and F. Fu, “Impact of online negative and positive reviews on app innovation,” pp. 1–18, 2025, doi: 10.1371/journal.pone.0323205.

A. M. Williams, N. Ansai, N. Ahluwalia, and D. T. Nguyen, “Anemia Prevalence: United States, August 2021–August 2023,” NCHS Data Brief, no. 519, pp. 1–8, 2024.

Y. Zhai, X. Song, Y. Chen, and W. Lu, “A study of mobile medical app user satisfaction incorporating theme analysis and review sentiment tendencies,” Int. J. Environ. Res. Public Health, vol. 19, p. 7466, 2022, doi: 10.3390/ijerph19127466.