Analisis Sentimen Ulasan Pengguna Aplikasi KitaLulus Berdasarkan Skala Rating Menggunakan Algoritma Support Vector Machine (SVM)

Abstrak

Aplikasi pencarian kerja KitaLulus telah diunduh lebih dari 10 juta kali dan memperoleh rating rata-rata 4,7 di Google Play Store, namun jumlah ulasan yang sangat besar menyulitkan pemahaman persepsi pengguna secara manual. Penelitian ini bertujuan menerapkan algoritma Support Vector Machine (SVM) untuk mengklasifikasikan sentimen ulasan pengguna KitaLulus ke dalam lima kelas berdasarkan skala rating (1-5). Data dikumpulkan melalui teknik web scraping menggunakan library google-play-scraper, menghasilkan 15.000 ulasan yang setelah proses pembersihan data menjadi 10.536 ulasan. Tahapan penelitian mengikuti kerangka kerja Sample, Explore, Modify, Model, Assess (SEMMA), meliputi text preprocessing (cleaning, case folding, tokenization, normalisasi slang, stopword removal, dan stemming), pembobotan fitur dengan TF-IDF, pemodelan SVM dengan 10-fold cross validation, serta optimasi model melalui hyperparameter tuning menggunakan GridSearchCV pada tiga jenis kernel (Linear, Radial Basis Function, dan Polynomial). Hasil pengujian awal dengan LinearSVC memperoleh akurasi rata-rata sebesar 74,17%. Proses hyperparameter tuning memilih kernel RBF dengan C=1 dan gamma=scale sebagai konfigurasi terbaik, yang ketika dievaluasi pada keseluruhan dataset menggunakan cross_val_predict menghasilkan akurasi 70,10%, dengan F1-Score tertinggi pada kelas rating 5 (0,86) dan performa yang masih rendah pada kelas minoritas rating 2 (0,04) akibat ketidakseimbangan distribusi data. Hasil ini menunjukkan bahwa SVM cukup efektif untuk klasifikasi sentimen multikelas pada data ulasan aplikasi, namun penanganan data tidak seimbang perlu menjadi perhatian pada penelitian selanjutnya.