ANALISIS SENTIMEN ULASAN PENGGUNA GAME HAY DAY DI GOOGLE PLAY STORE MENGGUNAKAN MODEL KLASIFIKASI

Olivia, Hanny (2025) ANALISIS SENTIMEN ULASAN PENGGUNA GAME HAY DAY DI GOOGLE PLAY STORE MENGGUNAKAN MODEL KLASIFIKASI. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (185kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (789kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (366kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf Download (77kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (138kB)
	Archive (SOURCE CODE) Sourcecode - 21.12.2005.zip Restricted to Repository staff only Download (234kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (685kB)

Abstract

Perkembangan teknologi yang pesat di era modern ini telah memberikan dampak signifikan pada berbagai sektor, termasuk industri game online. Hay Day, sebagai salah satu game simulasi pertanian yang populer di Google Play Store, telah diunduh oleh lebih dari 100 juta kali dan mendapat beragam macam ulasan pengguna. Ulasan-ulasan ini mempengaruhi keputusan calon pengguna dalam mengunduh dan memainkan aplikasi tersebut. Penelitian ini dilakukan menggunakan tiga model klasifikasi yaitu Naïve Bayes, Support Vector Machine (SVM), dan K-Nearest Neighbor (KNN) untuk mengetahui model mana yang memiliki performa terbaik dalam mengklasifikasikan sentimen ulasan pengguna. Menggunakan dua skenario dengan penggunaan 3493 data dan 1000 data yang telah melalui proses text preprocessing dan konversi fitur menggunakan TF-IDF. Evaluasi dilakukan dengan membandingkan akurasi, presisi, recall, dan F1-score berdasarkan variasi jumlah data (1000 dan 3493) serta proporsi data latih (80% dan 90%). Hasil penelitian menunjukkan bahwa model Naïve Bayes memiliki performa terbaik dengan akurasi tertinggi sebesar 86% pada dataset 1000 ulasan dan 90% data latih. Model Support Vector Machine dengan kernel RBF menghasilkan akurasi maksimal sebesar 81% pada kondisi yang sama, sementara model K-Nearest Neighbor mencapai akurasi terbaik sebesar 74%. Dengan melihat tingkat akurasi tertinggi, kestabilan performa pada berbagai skenario data, serta efisiensi proses pelatihan dan prediksi, model Naïve Bayes dinilai sebagai algoritma yang paling optimal dalam mengklasifikasi sentimen ulasan pengguna aplikasi Hay Day.

Actions (login required)

View Item