PENGARUH TEKNIK RESAMPLING (OVERSAMPLING DAN HYBRID SAMPLING) TERHADAP AKURASI MODEL SVM DALAM ANALISIS SENTIMEN ULASAN GRAB DI GOOGLE PLAY STORE

Hatmoko, Egik Tri (2025) PENGARUH TEKNIK RESAMPLING (OVERSAMPLING DAN HYBRID SAMPLING) TERHADAP AKURASI MODEL SVM DALAM ANALISIS SENTIMEN ULASAN GRAB DI GOOGLE PLAY STORE. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (849kB)
	Text (BAB I) BAB I.pdf Download (294kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (1MB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (596kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (926kB)
	Text (BAB V) BAB V.pdf Download (102kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (192kB)
	Archive (SOURCE CODE) Sourcecode - 20.11.3655.zip Restricted to Repository staff only Download (625kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (780kB)

Abstract

Grab merupakan salah satu platform transportasi daring yang banyak digunakan oleh masyarakat karena menawarkan berbagai layanan, seperti transportasi, pengantaran makanan, serta pembayaran digital. Sebagai aplikasi yang memiliki jutaan pengguna, Grab menerima berbagai ulasan dari penggunanya di Google Play Store. Data ini sangat berguna bagi pengembang aplikasi karena dapat memberikan informasi dalam meningkatkan kualitas dari layanan aplikasi. Penelitian ini bertujuan untuk mengklasifikasikan sentimen pengguna terhadap aplikasi Grab dengan menerapkan metode Support Vector Machine (SVM). Salah satu kendala dalam penelitian ini adalah dominasi ulasan positif yang lebih tinggi dibandingkan ulasan negatif, sehingga berpotensi membuat model lebih cenderung mengenali ulasan positif dibandingkan negatif. Untuk mengatasi masalah tentang data yang akan di proses ini tidak seimbang atau tidak rata, maka penelitian ini menerapkan beberapa teknik resampling, seperti random oversampling, SMOTE, ADASYN dan SMOTEENN hal ini diterapkan agar data yang digunakan dalam proses analisis menjadi lebih seimbang, sehingga model dapat memahami dan mengenali pola sentimen dengan lebih akurat. Studi ini menghasilkan kebanyakan pengguna menyampaikan pendapat positif mengenai aplikasi. Model SVM yang telah melalui proses resampling terbukti memiliki akurasi lebih tinggi dibandingkan model yang tidak menerapkan teknik penyeimbangan data. Dengan demikian, penelitian ini memberikan pemahaman yang lebih mendalam mengenai bagaimana pengguna menilai layanan Grab berdasarkan ulasan yang mereka berikan.Teknik SMOTEENN memberikan akurasi tertinggi sebesar 97%, diikuti oleh random oversampling, ADASYN, SMOTE. Selain itu, hasil penelitian ini juga dapat menjadi referensi bagi pengembang dalam mengoptimalkan kualitas layanan berdasarkan umpan balik yang diberikan oleh pengguna.

Actions (login required)

View Item