Perbandingan Metode Naïve Bayes dan SVM pada Ulasan Google Playstore Mobile Legends Bang Bang

  • Patrick Gracezando Yehova Universitas Sriwijaya
  • Jessica Jessica Universitas Sriwijaya
  • Muhammad Ihsan Jambak Universitas Sriwijaya
Keywords:
Analisis Sentimen, Naïve Bayes, Support Vector Machine, Ulasan, Perbandingan

Abstract

Perkembangan internet di Indonesia meningkatkan minat bermain game terbukti dari pertumbuhan pasar game hingga mencapai Rp25 triliun pada 2022. Penerapan analisis sentimen pada ulasan pengguna penting untuk membantu bisnis mengambil tindakan yang tepat guna meningkatkan produk, layanan, serta strategi bisnis. Penelitian ini bertujuan membandingkan kinerja melalui tingkat akurasi metode Support Vector Machine (SVM) dan Naïve Bayes, dalam analisis sentimen pengguna game Mobile Legends: Bang Bang pada ulasan Google Playstore. Dari total 796 dataset, sentimen negatif mencapai 73%, sedangkan sentimen positif hanya mencapai 27%. Hal ini menunjukkan ketidakseimbangan data, dengan lebih banyak sentimen negatif. Teknik upsampling SMOTE meningkatkan akurasi Naïve Bayes (82%) dan SVM (91%). Perbandingan ini menunjukkan kecenderungan yang jelas bahwa algoritma SVM memberikan kinerja yang lebih baik dalam mengklasifikasikan sentimen dari data yang telah dikumpulkan dan diujikan. Berdasarkan kurva ROC model klasifikasi Naïve Bayes lebih baik dibandingkan SVM dengan nilai AUROC sebesar 0,070.

Downloads

Download data is not yet available.

References

[1] R. M. A. Latif, M. T. Abdullah, S. U. A. Shah, M. Farhan, F. Ijaz, dan A. Karim, “Data scraping from google play store and visualization of its content for analytics,” dalam 2019 2nd International Conference on Computing, Mathematics and Engineering Technologies (iCoMET), IEEE, 2019, hlm. 1–8.
[2] R. Ferdiana, F. Jatmiko, D. D. Purwanti, A. S. T. Ayu, dan W. F. Dicka, “Dataset Indonesia untuk Analisis Sentimen,” Jurnal Nasional Teknik Elektro dan Teknologi Informasi, vol. 8, no. 4, hlm. 334–339, 2019.
[3] D. Atmajaya, A. Febrianti, dan H. Darwis, “Metode SVM dan Naive Bayes untuk Analisis Sentimen ChatGPT di Twitter,” Indonesian Journal of Computer Science, vol. 12, no. 4, 2023.
[4] H. Z. Muflih, A. R. Abdillah, dan F. N. Hasan, “Analisis Sentimen Ulasan Pengguna Aplikasi Ajaib Menggunakan Metode Naïve Bayes,” KLIK: Kajian Ilmiah Informatika dan Komputer, vol. 4, no. 3, hlm. 1613–1621, 2023.
[5] D. Wijaya, R. A. Saputra, dan F. Irwiensyah, “Analisis Sentimen Ulasan Aplikasi Samsat Digital Nasional Pada Google Playstore Menggunakan Algoritma Naïve Bayes,” KLIK: Kajian Ilmiah Informatika dan Komputer, vol. 4, no. 4, hlm. 2369–2380, 2024.
[6] D. Alita dan A. R. Isnain, “Pendeteksian Sarkasme pada Proses Analisis Sentimen Menggunakan Random Forest Classifier,” Jurnal Komputasi, vol. 8, no. 2, hlm. 50–58, 2020.
[7] N. M. Farhan dan B. Setiaji, “Komparasi Metode Naive Bayes dan SVM pada Sentimen Twitter Mengenai Persoalan Perpu Cipta Kerja: Comparison of Naive Bayes and SVM Methods on Twitter Sentiment Regarding the Government Regulations on Job Creation Issue,” Indonesian Journal of Computer Science, vol. 12, no. 5, 2023.
[8] A. Mustopa, E. B. Pratama, A. Hendini, dan D. Risdiansyah, “Analysis of user reviews for the pedulilindungi application on google play using the support vector machine and naive bayes algorithm based on particle swarm optimization,” dalam 2020 Fifth International Conference on Informatics and Computing (ICIC), IEEE, 2020, hlm. 1–7.
[9] H. He dan E. A. Garcia, “Learning from imbalanced data,” IEEE Trans Knowl Data Eng, vol. 21, no. 9, hlm. 1263–1284, 2009.
[10] N. V Chawla, K. W. Bowyer, L. O. Hall, dan W. P. Kegelmeyer, “SMOTE: synthetic minority over-sampling technique,” Journal of artificial intelligence research, vol. 16, hlm. 321–357, 2002.
[11] A. Tangkelayuk, “The Klasifikasi Kualitas Air Menggunakan Metode KNN, Naïve Bayes, dan Decision Tree,” JATISI (Jurnal Teknik Informatika Dan Sistem Informasi), vol. 9, no. 2, hlm. 1109–1119, 2022.
[12] W. M. Shaban, A. H. Rabie, A. I. Saleh, dan M. A. Abo-Elsoud, “Accurate detection of COVID-19 patients based on distance biased Naïve Bayes (DBNB) classification strategy,” Pattern Recognit, vol. 119, hlm. 108110, 2021.
[13] R. Tineges, A. Triayudi, dan I. D. Sholihati, “Analisis sentimen terhadap layanan indihome berdasarkan twitter dengan metode klasifikasi support vector machine (SVM),” Jurnal Media Informatika Budidarma, vol. 4, no. 3, hlm. 650–658, 2020.
[14] M. R. Nur dan S. I. Oktora, “Analisis Kurva ROC Pada Model Logit Dalam Pemodelan Determinan Lansia Bekerja Di Kawasan Timur Indonesia,” 2020. doi: https://doi.org/10.29244/ijsa.v4i1.524.
Published
2024-05-31
How to Cite
YehovaP., JessicaJ., & JambakM. (2024, May 31). Perbandingan Metode Naïve Bayes dan SVM pada Ulasan Google Playstore Mobile Legends Bang Bang. Device, 14(1), 140-149. https://doi.org/https://doi.org/10.32699/device.v14i1.7052
Section
Articles

STATISTICS

Abstract viewed = 0 times
PDF downloaded = 0 times

Most read articles by the same author(s)