ANALISIS SENTIMEN ULASAN PENGGUNA APLIKASI JOBSTREET MENGGUNAKAN METODE ALGORITMA NAÏVE BAYES DAN SUPPORT VECTOR MACHINE

Abstract

Penelitian ini bertujuan untuk menganalisis sentimen ulasan pengguna aplikasi JobStreet yang tersedia di Google Play Store dengan menggunakan metode klasifikasi teks. Analisis sentimen dilakukan untuk mengetahui persepsi pengguna terhadap kualitas layanan aplikasi serta mengidentifikasi permasalahan yang sering dikeluhkan oleh pengguna. Data yang digunakan dalam penelitian ini merupakan data primer berupa 3000 ulasan pengguna yang diperoleh melalui teknik web scraping. Tahapan penelitian dimulai dari proses pengumpulan data, kemudian dilanjutkan dengan preprocessing data yang meliputi lowercase, cleaning dan normalisasi, stopword removal, tokenizing, serta stemming. Setelah itu, dilakukan pelabelan data berdasarkan rating menjadi tiga kategori sentimen, yaitu positif, negatif, dan netral. Selanjutnya, dilakukan pembobotan kata menggunakan metode Term Frequency-Inverse Document Frequency (TF-IDF) untuk mengubah data teks menjadi representasi numerik. Untuk mengatasi ketidakseimbangan data, digunakan metode Synthetic Minority Over-sampling Technique (SMOTE) sehingga distribusi data menjadi seimbang. Data kemudian dibagi menjadi data latih dan data uji dengan perbandingan 80:20. Model klasifikasi yang digunakan dalam penelitian ini adalah Naïve Bayes dan Support Vector Machine (SVM). Hasil penelitian menunjukkan bahwa kedua metode mampu mengklasifikasikan data sentimen dengan baik. Model Naïve Bayes memperoleh nilai akurasi sebesar 82,67%, sedangkan model SVM memperoleh nilai akurasi yang lebih tinggi yaitu sebesar 84,19%. Berdasarkan hasil evaluasi menggunakan metrik precision, recall, dan F1-score, SVM menunjukkan performa yang lebih stabil dibandingkan Naïve Bayes, terutama dalam menangani data teks dengan dimensi tinggi. Selain itu, hasil analisis menunjukkan bahwa mayoritas ulasan pengguna memiliki sentimen positif, yang mengindikasikan bahwa aplikasi JobStreet dinilai cukup baik dan membantu dalam proses pencarian kerja. Namun demikian, masih terdapat ulasan negatif yang berkaitan dengan kendala teknis seperti error, kesulitan login, dan performa aplikasi yang kurang optimal. Temuan ini menunjukkan bahwa meskipun aplikasi telah memberikan manfaat yang baik, masih diperlukan peningkatan kualitas layanan untuk meningkatkan kepuasan pengguna. Kontribusi ilmiah dari penelitian ini adalah memberikan perbandingan performa antara metode Naïve Bayes dan SVM dalam analisis sentimen teks berbahasa Indonesia, khususnya pada domain aplikasi pencarian kerja. Selain itu, penelitian ini juga menunjukkan pentingnya tahap preprocessing dan penanganan data imbalance dalam meningkatkan akurasi model klasifikasi. Hasil penelitian ini diharapkan dapat menjadi referensi bagi penelitian selanjutnya serta memberikan masukan bagi pengembang aplikasi dalam meningkatkan kualitas layanan.