KLASIFIKASI SENTIMEN ULASAN PENGGUNA ADOBE SCAN PADA SITUS GOOGLE PLAY STORE DENGAN METODE RANDOM FOREST

Kusumaningrum, Desvina (2025) KLASIFIKASI SENTIMEN ULASAN PENGGUNA ADOBE SCAN PADA SITUS GOOGLE PLAY STORE DENGAN METODE RANDOM FOREST. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (163kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (656kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (150kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf Download (43kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (171kB)
	Archive (SOURCE CODE) Sourcecode - 21.11.4193.zip Restricted to Repository staff only Download (347kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (4MB)

Abstract

Perkembangan teknologi pemindai dokumen semakin pesat dengan kehadiran aplikasi berbasis mobile seperti Adobe Scan. Dengan teknologi OCR dan integrasi kecerdasan buatan, Adobe Scan menjadi solusi bagi pengguna dalam mendigitalkan dokumen secara praktis. Dengan lebih dari 100 juta unduhan dan rating tinggi di Google Play Store, ulasan pengguna menjadi sumber informasi penting untuk mengevaluasi dan memahami kebutuhan pengguna. Penelitian ini dilakukan untuk mengklasifikasikan sentimen menjadi positif dan negatif. Data yang digunakan berasal dari ulasan pengguna aplikasi Adobe Scan di Google Play Store. Untuk mengatasi ketidakseimbangan data, diterapkan berbagai teknik sampling, yaitu tanpa sampling, oversampling (SMOTE dan RandomOverSampler), serta undersampling (RandomUnderSampler dan ClusterCentroids). Model klasifikasi menggunakan algoritma Random Forest dan dievaluasi menggunakan confusion matrix. Hasil penelitian menunjukkan bahwa algoritma Random Forest mampu mengklasifikasikan sentimen ulasan dengan baik. Pada kelas positif, precision tertinggi sebesar 97% pada skenario 1 dengan teknik RandomUnderSampler, recall tertinggi sebesar 100% pada skenario 1 dan 2 dengan teknik tanpa sampling, serta f1-score tertinggi sebesar 96% pada skenario 1 dengan teknik tanpa sampling, SMOTE, dan RandomOverSampler. Untuk kelas negatif, precision tertinggi sebesar 95% pada skenario 3 dengan teknik tanpa sampling, recall tertinggi sebesar 79% pada skenario 2 dengan RandomUnderSampler, dan f1-score tertinggi sebesar 74% pada skenario 3 dengan teknik RandomOverSampler. Penelitian ini diharapkan bermanfaat bagi pengembang aplikasi Adobe Scan untuk meningkatkan kualitas aplikasi.

Actions (login required)

View Item