KLASIFIKASI TEKS KOMENTAR MOBILE LEGENDS DALAM GOOGLE PLAY PADA TAHUN 2025 DENGAN ALGORITMA NAIVE BAYES

Bilah Samping Artikel

PDF
Diterbitkan: Jun 3, 2026
Kata Kunci:
Algoritma Naive Bayes, klasifikasi sentimen, text mining, Google Play, Mobile Legends, TF-IDF

Isi Artikel Utama

Eva Mufida Padilla
Universitas Pembangunan Panca Budi
Muhammad Iqbal
Universitas Pembangunan Panca Budi

Abstrak

Penelitian ini bertujuan untuk mengklasifikasikan sentimen komentar pengguna aplikasi Mobile Legends di Google Play pada bulan November 2025 menggunakan algoritma Naive Bayes. Data diperoleh dengan melakukan web scraping terhadap 2.000 komentar dari aplikasi Mobile Legends dalam periode pengumpulan data setahun ke belakang hingga bulan November 2025. Komentar kemudian dikelompokkan berdasarkan rating bintang, dengan kriteria sentimen positif untuk rating 3-5 bintang dan sentimen negatif untuk rating 1-2 bintang. Dari dataset yang dikumpulkan, diperoleh 1.213 komentar dengan sentimen negatif (60,7%) dan 705 komentar dengan sentimen positif (35,2%). Tahapan penelitian mencakup preprocessing teks, vektorisasi TF-IDF dengan maksimal 1.000 fitur, serta pelatihan model Naive Bayes multinomial menggunakan split data 80:20. Evaluasi model menggunakan metrik classification report yang mencakup precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma Naive Bayes mencapai akurasi sebesar 83%, dengan precision 0,82 dan recall 0,94 untuk klasifikasi sentimen negatif, serta precision 0,84 dan recall 0,62 untuk sentimen positif. F1-score keseluruhan mencapai 0,82 dengan nilai rata-rata tertimbang, menunjukkan performa model yang baik dalam mengklasifikasikan sentimen komentar pengguna. Hasil ini menginformasikan bahwa pengguna Mobile Legends lebih banyak memberikan komentar negatif, yang dapat menjadi masukan berharga bagi pengembang untuk meningkatkan kualitas aplikasi.

Rincian Artikel

Cara Mengutip
[1]
E. M. Padilla dan M. Iqbal, “KLASIFIKASI TEKS KOMENTAR MOBILE LEGENDS DALAM GOOGLE PLAY PADA TAHUN 2025 DENGAN ALGORITMA NAIVE BAYES”, JTM, vol. 15, no. 1, hlm. 36–45, Jun 2026.
Terbitan
Vol 15 No 1 (2026): Jurnal TIMES
Bagian
Articles
Creative Commons License

Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

Copyright (c) STMIK TIME

Referensi

[1] M. Ambarwati, A. Rahman, and others, “Trash-Talking Pemain Mobile Legends: Bang Bang Mahasiswa FKIP UNS,” Ganaya J. Ilmu Sos. dan Hum., vol. 5, no. 3, pp. 243–255, 2022.

[2] A. K. S. Ong et al., “Determination of factors influencing the behavioral intention to play ‘Mobile Legends: Bang-Bang’ during the COVID-19 pandemic: Integrating UTAUT2 and system usability scale for a sustainable E-sport business,” Sustainability, vol. 15, no. 4, p. 3170, 2023.

[3] E. M. Padilla, A. Safii, I. Nasution, M. F. Anugrah, N. S. Harahap, and M. S. Novelan, “Analysis of Patient Medical Records Using the K-Means Clustering Algorithm Based on Visit Time as a Service Strategy Approach,” J. Bisantara Inform., vol. 9, no. 2, pp. 1–10, 2025.

[4] J. Damanik, T. S. Alasi, and V. J. Sianipar, “Smart City Untuk Kemudahan Pelayanan Publik Kota Binjai dengan Pendekatan Sistem Terdistribusi dan Kecerdasan Buatan,” J. RAMBUTAN, vol. 1, no. 1, pp. 46–52, 2025.

[5] T. Wongkhamdi, N. Cooharojananone, and J. Khlaisang, “E-commerce competence assessment mobile application development for SMEs in Thailand,” Int. J. Interact. Mob. Technol., vol. 14, no. 11, pp. 48–75, 2020.

[6] I. V. Onibala and A. S. Purnomo, “Sistem Pakar Untuk Diagnosa Penyakit Infeksi Saluran Pernapasan Akut (ISPA) Menggunakan Metode Naive Bayes,” Innov. J. Soc. Sci. Res., vol. 4, no. 3, pp. 14666–14685, Jun. 2024.

[7] H. Gunawan, T. S. Alasi, and others, “Algoritma Naive Bayes Untuk Penerimaan Siswa Baru Pada SMK Imelda Medan,” J. Inform. Log., vol. 1, no. 2, pp. 16–21, 2024.

[8] C. KIRANA, “PENERAPAN NAÏVE BAYES UNTUK MENGANALISIS SENTIMEN PADA ULASAN APLIKASI X (TWITTER) SKRIPSI.”

[9] A. O. K. Adi, F. P. Gusti, and F. Wijaya, “Analisis Sentimen Ulasan Pengguna Aplikasi Mobile Legends Pada Google Playstore Menggunakan Na{"i}ve Bayes,” in Seminar Nasional Teknologi & Sains, 2025, vol. 4, no. 1, pp. 641–646.

[10] M. A. Arkanudin, “Perbandingan Performansi Model Na{"i}ve Bayes dalam menganalisis Sentimen Mengenai E-sport Mobile Legends,” Universitas Islam Indonesia, 2025.

[11] M. R. Malano, “TA: Analisis Sentimen Publik terhadap Pelayanan Ibadah Haji menggunakan Algoritma Naive Bayes Classifier,” Universitas Dinamika, 2025.

[12] S. Y. Prayogi, T. S. Alasi, and R. F. Rahmat, Pengantar Machine Learning. Deli Serdang, Indonesia: Media Publikasi Idpress, 2025.

[13] M. R. Alfarizqa, M. S. Yadnya, and A. Zainuddin, “Analysis of the Use of Provider and Mi-Fi Devices on Game Performance in Mobile Legends: Bang Bang Ranked Mode,” J. Penelit. Pendidik. IPA, vol. 11, no. 4, pp. 1169–1178, 2025.

[14] N. Sholihah, B. P. Asaddulloh, A. Aminuddin, J. Ekanayake, F. F. Abdulloh, and M. Rahardi, “Sentiment Analysis of Mobile Legends: Bang Bang User Reviews Using Machine Learning Models,” in 2025 International Conference on Smart Computing, IoT and Machine Learning (SIML), 2025, pp. 1–6.

[15] A.-M. S. R. Roba, S. Lailiyah, and A. Yusnita, “Application of Naive Bayes Algorithm for Analysis of User Reviews on Mobile Legends Game: Bang Bang,” J-INTECH, vol. 13, no. 01, pp. 140–147, 2025.

[16] F. F. N. Nayottama, M. M. Widiantari, and V. A. Sejati, “Pola Komunikasi Antar Pemain Mobile Legends: Bang Bang Usia Dewasa Muda di Kota Madiun,” Innov. J. Soc. Sci. Res., vol. 5, no. 4, pp. 10125–10133, 2025.

[17] T. D. R. Jati, S. Baco, and N. P. Husain, “Penerapan Algoritma Na{"i}ve Bayes Pada Analisis Sentimen Pengguna Game Mobile Legends Di Google Play Store,” J. Ilmu Komput. dan Teknol. Inf., vol. 2, no. 1, pp. 208–214, 2025.

[18] R. Wijianto, D. Pratmanto, A. Widayanto, and others, “Komparasi K-Nearest Neighbors (KNN) dan Naive Bayes pada Klasifikasi Sentimen Ulasan Aplikasi Tokopedia di Google Play Store,” Informatics Comput. Eng. J., vol. 5, no. 2, pp. 75–80, 2025.

[19] K. Khotimah, M. Martanto, A. R. Dikananda, and A. Rifa’i, “ANALISIS SENTIMEN ULASAN APLIKASI PINTU DI GOOGLE PLAY STORE MENGGUNAKAN ALGORITMA NAIVE BAYES,” J. Inform. dan Tek. Elektro Terap., vol. 13, no. 1, 2025.

[20] E. K. Nurnawati, M. C. Fatika, and P. Indriani, “Analisis Perubahan Perilaku Konsumen PT Pos Indonesia Pasca Digitalisasi Melalui Text Mining Ulasan Play Store,” J. Teknol. TECHNOSCIENTIA, vol. 18, no. 1, pp. 52–62, 2025.

[21] J. Ramos and others, “Using tf-idf to determine word relevance in document queries,” in Proceedings of the first instructional conference on machine learning, 2003, vol. 242, no. 1, pp. 29–48.

[22] A. Aizawa, “An information-theoretic perspective of tf--idf measures,” Inf. Process. & Manag., vol. 39, no. 1, pp. 45–65, 2003.

[23] P. Guleria, J. Frnda, and P. N. Srinivasu, “NLP based text classification using TF-IDF enabled fine-tuned long short-term memory: An empirical analysis,” Array, p. 100467, 2025.

[24] F. Rifaldy, Y. Sibaroni, and S. S. Prasetiyowati, “Effectiveness of Word2VEC and TF-IDF in sentiment classification on online investment platforms using support Vector Machine,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 10, no. 2, pp. 863–874, 2025.