ANALISIS SENTIMEN DENGAN ALGORITMA SUPPORT VECTOR MACHINE TERHADAP ULASAN APLIKASI DISNEY+ HOTSTAR DI PLAY STORE

Al Hamdi, Hasymi (2026) ANALISIS SENTIMEN DENGAN ALGORITMA SUPPORT VECTOR MACHINE TERHADAP ULASAN APLIKASI DISNEY+ HOTSTAR DI PLAY STORE. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER - ABSTRAK) COVER.pdf - Published Version Download (1MB)
	Text (BAB I) BAB I.pdf - Published Version Download (133kB)
	Text (BAB II) BAB II.pdf - Published Version Restricted to Registered users only Download (498kB)
	Text (BAB III) BAB III.pdf - Published Version Restricted to Registered users only Download (248kB)
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Registered users only Download (687kB)
	Text (BAB V) BAB V.pdf - Published Version Download (82kB)
	Text (DAFTAR PUSTAKA - LAMPIRAN) Daftar Pustaka dan Lampiran.pdf - Published Version Restricted to Registered users only Download (114kB)
	Archive (SOURCE CODE) Sourcecode - 19.11.2997.zip Restricted to Repository staff only Download (630kB)
	Text (PUBLIKASI) Publikasi.pdf - Published Version Restricted to Repository staff only Download (1MB)

Abstract

Layanan streaming seperti Disney Hotstar populer di Indonesia, namun fluktuasi kepuasan pengguna terlihat dari ulasan di Google Play Store yang mengandung sentimen positif dan negatif, sering kali tidak seimbang. Masalah ketidakseimbangan data ini dapat menyebabkan bias model klasifikasi, sehingga diperlukan analisis sentimen untuk mengidentifikasi kecenderungan opini pengguna guna perbaikan aplikasi. Penelitian ini bertujuan mengoptimalkan pipeline analisis sentimen untuk mengklasifikasikan ulasan positif-negatif secara akurat. Metode penelitian meliputi pengumpulan data ulasan Disney Hotstar, prapengolahan (cleansing, normalisasi, case folding, tokenizing, filtering), pelabelan berdasarkan rating (positif: 4-5, negatif: 1-2), pembobotan TF-IDF, penerapan SMOTE untuk oversampling kelas minoritas, dan klasifikasi SVM dengan kernel linear serta RBF menggunakan K-Fold Cross Validation. Implementasi dilakukan dengan Python dan scikit-learn, membandingkan skenario dengan dan tanpa SMOTE serta feature selection. Alur ini mengoptimalkan performa model pada dataset imbalance. Hasil menunjukkan akurasi model SVM mencapai sekitar 83% dengan F1score macro 0.82-0.83, stabil meski data tidak seimbang (positif ~700, negatif ~1100). SMOTE tidak signifikan meningkatkan performa, dan kernel RBF sedikit lebih baik daripada linear. Model ini bermanfaat bagi developer Disney Hotstar untuk analisis ulasan dan akademisi sebagai referensi optimasi SVM pada teks Indonesia; saran lanjutan termasuk uji algoritma lain seperti XGBoost.

Actions (login required)

View Item