ANALISIS SENTIMEN ULASAN PENGGUNA APLIKASI CAPCUT DI PLAY STORE MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE (SVM)

Sami, Gibran Hait (2025) ANALISIS SENTIMEN ULASAN PENGGUNA APLIKASI CAPCUT DI PLAY STORE MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE (SVM). S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

[img] Text (COVER-ABSTRAK)
COVER.pdf - Published Version
Download (1MB)
[img] Text (BAB I)
BAB I.pdf - Published Version
Download (347kB)
[img] Text (BAB II)
BAB II.pdf - Published Version
Restricted to Registered users only
Download (693kB)
[img] Text (BAB III)
BAB III.pdf - Published Version
Restricted to Registered users only
Download (275kB)
[img] Text (BAB IV)
BAB IV.pdf - Published Version
Restricted to Registered users only
Download (692kB)
[img] Text (BAB V)
BAB V.pdf - Published Version
Download (84kB)
[img] Text (DAFTAR PUSTAKA - LAMPIRAN)
Daftar Pustaka dan Lampiran.pdf - Published Version
Restricted to Registered users only
Download (385kB)
[img] Archive (SOURCE CODE)
Sourcecode - 22.83.0831.zip - Published Version
Restricted to Repository staff only
Download (711kB)
[img] Text (PUBLIKASI)
Publikasi.pdf - Published Version
Restricted to Repository staff only
Download (728kB)

Abstract

Volume ulasan aplikasi CapCut di Google Play Store yang sangat besar dan tidak terstruktur, meliputi komponen seperti emoji serta ragam bahasa informal, menyulitkan pengembang dalam mengekstraksi wawasan secara manual. Selain itu, ketimpangan jumlah data yang signifikan antara ulasan positif dan negatif menimbulkan masalah ketidakseimbangan data (imbalanced data) yang berdampak pada biasnya prediksi model. Penelitian ini bertujuan mengklasifikasikan sentimen ulasan menggunakan algoritma Support Vector Machine (SVM) yang dikombinasikan dengan Synthetic Minority Over-sampling Technique (SMOTE) untuk mengatasi tantangan tersebut. Metode penelitian meliputi pengumpulan data, filtering rating bintang 3, pra-pemrosesan teks menggunakan library Sastrawi untuk menangani pola bahasa, pembobotan fitur TF-IDF, serta penerapan SMOTE untuk menyeimbangkan dataset menjadi 4.800 data sebelum diklasifikasikan dengan SVM Kernel Linear. Hasil akhir pada penelitian menunjukkan bahwa penerapan SMOTE mampu meningkatkan performa model secara signifikan dengan perolehan akurasi sebesar 94% dan recall kelas negatif mencapai 0.98. Hasil penelitian ini dapat dimanfaatkan oleh tim pengembang CapCut untuk melakukan evaluasi perbaikan fitur secara otomatis dan efisien, serta menjadi referensi bagi peneliti lain dalam penanganan data teks tidak seimbang.

Item Type: Thesis (S1 - Sarjana)
Contributor:
Pembimbing
Marco, Robert
Uncontrolled Keywords: Analisis Sentimen, CapCut, SMOTE, SVM, Sentiment Analysis.
Subjects: 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 000 Ilmu komputer, informasi dan pekerjaan umum
000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 005 Pemrograman komputer, program dan data
Divisions: Fakultas Ilmu Komputer > Teknik Komputer
Depositing User: RC Universitas AMIKOM Yogyakarta
Date Deposited: 02 Jul 2026 03:54
Last Modified: 02 Jul 2026 03:54
URI: http://eprints.amikom.ac.id/id/eprint/31882

Actions (login required)

View Item View Item