ANALISIS SENTIMEN APLIKASI TIKTOK MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE (SVM) DAN RANDOM FOREST
Main Article Content
Abstract
Pandemi Covid-19 mengakibatkan peningkatan penggunaan media sosial, termasuk TikTok, yang mendapatkan berbagai ulasan dari pengguna. Penelitian ini bertujuan untuk menganalisis sentimen ulasan TikTok menggunakan algoritma Support Vector Machine (SVM) dan Random Forest. Data diambil dari Google Play Store dan diproses dengan TF-IDF untuk pembobotan kata serta SMOTE untuk menangani ketidakseimbangan data. Hasil penelitian menunjukkan bahwa algoritma Random Forest mencapai akurasi 93% dan SVM 90%. Meskipun SVM menunjukkan kinerja yang baik pada data dengan margin kelas yang jelas, Random Forest lebih stabil dalam menangani variasi data dan lebih tahan terhadap overfitting. Oleh karena itu, Random Forest lebih cocok untuk analisis sentimen ulasan TikTok pada dataset yang besar dengan ketersediaan sumber daya komputasi yang memadai. Penelitian ini memberikan wawasan berharga bagi pengembang aplikasi dan pemangku kepentingan untuk meningkatkan kualitas aplikasi berdasarkan ulasan dari pengguna.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Copyright (c) STMIK TIMEReferences
I. Carolin, G. D. Victoria, S. Dina dan M. Nastain, “Pengaruh Penggunaan New Media Tiktok Terhadap Pembentukan Konsep Diri Generasi Muda Indonesia 2022,” Jurnal Ilmu Komunikasi dan Media Sosial, vol. 2, pp. 35-40, 2023.
R. Rasdin, Y. Mulyanti dan K. Kurniawan, “Fenomena Tik Tok sebagai Media Komunikasi Edukasi,” Riksa Bahasa XV, 2021.
D. A. Kharisma dan Z. M. Nawawi, “Pengaruh Aplikasi Tik Tok Shop Terhadap Minat Berwirausaha Mahasiswa (Studi Kasus Mahasiswa Manajemen FEBI UINSU),” Jurnal Ilmiah Manajemen, Bisnis dan Kewirausahaan, vol. 3, no. 1, pp. 22-23, 2023.
M. Taboada, “Sentiment Analysis: An Overview from Linguistics,” Annu. Rev. Linguist. , vol. 2, no. 1, pp. 325-347, 2016.
J. A. Septian, T. M. Fahrudin dan A. Nugroho, “Analisis Sentimen Pengguna Twitter Terhadap Polemik Persepakbolaan Indonesia Menggunakan Pembobotan TFIDF Dan K-Nearest Neighbor,” Journal of Intelligent Systems and Computation, vol. 1, no. 1, pp. 43-49, 2019.
D. Yogisth, T. N. Manjunath dan R. S. Hegadi, “Variants Of Term Frequency And Inverse Document Frequency Of Vector Space Model For Effective Document Ranking In Information Retrieval,” IJTEE, vol. 8, no. 7, pp. 414-421, 2019.
N. V. Chawla, K. W. Bowyer, L. O. Hall dan W. P. Kegelmaeyer, “SMOTE : Syntethic Minority Over-sampling Technique,” Journal of Artificial Intellegence Research, vol. 16, pp. 321-357, 2002.
R. A. Barro, I. D. Silvianti dan F. M. Afendi, “Penerapan Synthetic Minority Oversampling Technique (SMOTE) Terhadap Data Tidak Seimbang pada Pembuatan Model Komposisi Jamu,” Xplore, vol. 1, no. 1, 2013.
N. F. Umma, B. Warsito dan D. A. I. Maruddin, “Klasifikasi Status Kemiskinan Rumah Tangga dengan Algoritma C5.0 di Kabupaten Pemalang,” Jurnal Gaussian, vol. 10, no. 2, pp. 221-299, 2021.
A. S. H. Basari, B. Hussin, I. G. P. Ananta dan J. Zeniarja, “Opinion Mining of Movie Review using Hybrid Method of Support Vector Machine and Particle Swarm Optimization,” Procedia Engineering, pp. 453-462, 2013.
A. S. Nugroho, A. B. Witarto dan D. Handoko, Support Vector Machine Teori dan Aplikasinya dalam Bioinformatika, 2003.
M. R. Adrian, M. P. Putra dan N. A. Rakhmawati, “Perbandingan Metode Klafisikasi Random Forest dan SVM Pada Analisis Sentimen PSBB,” Jurnal Informatika UPGRIS, pp. 36-40, 2021.
A. Primaya dan B. N. Sari, “Random Forest Algorithm for Prediction of Precipitation,” IJAIDM, vol. 1, no. 1, pp. 27-31, 2018.
L. A. Andika, “Analisis Sentimen Masyarakat terhadap Hasil Quick Count Pemilihan Presiden Indonesia 2019 pada Media Sosial Twitter Menggunakan Metode Naive Bayes Classifier,” Indonesian Journal of Applied Statistics, vol. 2, no. 1, 2019.
M. G. Pradana, “Penggunaan Fitur Wordcloud dan Document Term Matrix dalam Text Mining,” Jurnal Ilmiah Informatika, vol. 8, no. 1, 2020.
O. D. Amelia, A. M. Soleh dan S. Rahardiantoro, “Pemodelan support vector machine data tidak seimbang keberhasilan studi mahasiswa magister IPB,” Xplore, vol. 5, no. 1, pp. 122-130, 2018.
R. A. Nurdian, M. Ridwan dan A. Yusuf, “Komparasi Metode SMOTEdan ADASYNdalam Meningkatkan Performa Klasifikasi Herregistrasi Mahasiswa Baru,” Jurnal Teknik Informatika dan Sistem Informasi, vol. 8, no. 1, pp. 24-32, 2022.