ANALISIS SENTIMEN ULASAN MYTELKOMSEL MENGGUNAKAN SVM DENGAN PEMBOBOTAN TF-IDF DAN COUNT VECTORIZER

Abstract

Pertumbuhan pesat pengguna aplikasi MyTelkomsel di Google Play Store menghasilkan volume ulasan yang besar, yang mencerminkan persepsi publik terhadap kualitas layanan. Namun, ulasan tersebut seringkali tidak terstruktur dan memiliki ketidakseimbangan kelas yang signifikan, sehingga menyulitkan analisis manual. Penelitian ini bertujuan untuk melakukan analisis sentimen pada ulasan pengguna MyTelkomsel menggunakan algoritma Support Vector Machine (SVM) dengan pembobotan fitur Term Frequency-Inverse Document Frequency (TF-IDF) dan teknik penyeimbangan data Synthetic Minority Over-sampling Technique (SMOTE). Data penelitian sebanyak 8.934 ulasan berhasil dikumpulkan melalui teknik web scraping. Hasil analisis awal menunjukkan dominasi sentimen negatif (6.691 data) dibandingkan positif (1.315 data) dan netral (497 data). Eksperimen dilakukan dengan membandingkan performa ekstraksi fitur Count Vectorizer dan TF-IDF yang dikombinasikan dengan SMOTE. Hasil pengujian menunjukkan bahwa kombinasi SVM dengan TF-IDF dan SMOTE memberikan performa terbaik dengan tingkat akurasi sebesar 81,42%, unggul 13,34% dibandingkan metode Count Vectorizer (68,08%). Penelitian ini menyimpulkan bahwa pembobotan TF-IDF lebih efektif dalam menangkap fitur kata yang diskriminatif pada ulasan layanan TIK. Meskipun akurasi keseluruhan tinggi, kelas netral masih menjadi tantangan dengan F1-score rendah (0,08) akibat ambiguitas fitur. Temuan ini memberikan wawasan bagi pengembang MyTelkomsel untuk fokus pada perbaikan kualitas jaringan dan kebijakan harga yang menjadi keluhan utama pengguna.