Jurnal informasi dan Komputer Vol: 13 No:1 2025
P-ISSN: 2337-8344
E-ISSN: 2623-1247
PENGUKURAN ULASAN APLIKASI QUESTION.
DI GOOGLE PLAY STORE GUNA MENILAI KEPUASAN PENGGUNA
MENGGUNAKAN METODE NAIVE BAYES
Umar Rakhman1.
Rini Astuti2.
Willy Prihartono3.
Ryan Hanomangan4 STMIK IKMI Cirebon1234 Jl.
Perjuangan No.
10 B Majasem Kec.
Kesambi Kota Cirebon E-mail : umar.
rakhman7@gmail.
com1, riniastuti@likmi.
id2, willy@ikmi.
ABSTRAK
Kemajuan teknologi informasi dan komunikasi yang sangat pesat dalam beberapa tahun terakhir telah membawa perubahan signifikan dalam berbagai aspek kehidupan, termasuk bisnis, pendidikan, dan layanan publik.
Aplikasi mobile kini telah menjadi komponen penting dalam aktivitas sehari-hari, dengan platform distribusi aplikasi seperti Google Play Store memainkan peran sentral dalam memberikan akses kepada pengguna.
Ulasan dari pengguna sangat penting bagi pengembang aplikasi untuk mengetahui keluhan dari pengguna, ulasan pengguna berisi komentar dan rating sangat penting bagi pengembang aplikasi guna meningkatkan kinerja aplikasi.
Penelitian ini bertujuan untuk menganalisis sentimen dari ulasan pengguna aplikasi Question.
AI di Google Play Store, dengan tujuan menilai tingkat kepuasan Dengan memanfaatkan metode Nayve Bayes, ulasan tersebut dikategorikan menjadi dua kategori sentimen positif dan negatif.
Berdasarkan hasil penelitian mengenai analisis sentimen pengguna aplikasi Question.
AI, data yang digunakan diperoleh melalui proses scraping dari tahun 2023 hingga 2024, dengan total 1960 ulasan.
Dari analisis tersebut, terungkap bahwa sebagian besar pengguna memberikan ulasan positif sebanyak 1639 di antaranya terklasifikasi sebagai sentimen positif, sementara 321 ulasan termasuk dalam kategori negatif.
Hal ini menunjukkan bahwa meskipun banyak pengguna memberikan komentar positif tentang aplikasi Question.
AI, sejumlah pengguna juga menyampaikan komentar negatif.
Metode klasifikasi yang digunakan adalah Naive Bayes, yang menghasilkan tingkat akurasi sebesar 91,33%, metrik positif precision 98%, recall 92%, dan F1-score Sedangkan metrik negatif presisi 65%, recall 88%, dan F1-score 75%.
Kata kunci : Analisis Sentimen.
Naive Bayes.
Google Play Store.
Question.
AI.
ABSTRACTS
The rapid progress of information and communication technology in recent years has brought significant changes in various aspects of life, including, business, education and public services.
Mobile applications have how become an essential component of everyday activites, with application distribution platforms such as Google Play Store playing a central role in providing access to users.
Reviews from users are very important for application developers to find out complaints from users, user reviews containing comments and ratings are very important for application develop to improve application performance.
This research aims to analyze sentiment from user reviews of the Question.
AI application on the Google Play Store.
With the aim of assessing the level of user satisfaction.
By ultilizing the Nayve Bayes method, the reviews were categorized into two categories of positive and negative sentiment.
Based on research results regarding user sentiment analysis of the Question.
AI application, the data used was obtained through a scraping process from 2023 to 2024, with a total of 1960 reviews.
From this analysis, it was revealed that the majority of users gave positive reviews, 1639 of which were classified as positive sentiment, while 321 reviews fell into the negative category.
This shows that although many users provide positive comments about the Question.
AI application, a 58 | ITBA D i a n C i p t a C e n d i k i a Jurnal informasi dan Komputer Vol: 13 No:1 2025
P-ISSN: 2337-8344
E-ISSN: 2623-1247
number of users also provide negative comments.
The classification method used is Nayve Bayes, which produces an accuracy rate.
Keywords: Analisis Sentiment.
Nayve Bayes.
Google Play Store.
Question.
berdasarkan umpan balik dari pengguna.
Dari sudut pandang teoritis, penelitian ini akan PENDAHULUAN memperkaya literature di bidang analisis sentiment dan pemrosesan bahasa alami (NLP).
Kemajuan teknologi informasi dan komunikasi khususnya terkait ulasan pengguna terhadap yang sangat pesat dalam beberapa hari terakhir platform yang berbasis kecerdasan buatan (AI).
telah membawa perubahan signifikan dalam berbagai aspek kehidupan, termasuk bisnis, pendidikan, dan layanan publik.
Aplikasi mobile kini telah menjadi komponen penting dalam aktivitas sehari-hari, dengan platform distribusi aplikasi seperti Google Play Store memainkan peran sentral dalam memberikan akses kepada Ulasan pengguna menimbulkan tantangan dalam mengukur tingkat kepuasan secara efektif.
Dalam hal ini, studi sebelum nya menunjukan metode Nayve Bayes mampu memberikan hasil yang baik dalam klasifikasi kemunculan setiap kategori dalam data pelatihan .
Tujuan dari penelitian ini untuk menganalisis sentiment ulasan pengguna terhadap platform Question.
AI.
Fokus utama dari penelitian ini adalah untuk mengetahui opini pengguna terhadap aplikasi Question.
AI di Google Play Store termasuk seberapa banyak opini yang bersifat positif atau negatif .
Penelitian ini dilakukan untuk membantu para pengembang dalam meningkatkan kualitas dan kepuasan pengguna dengan memanfaatkan data ulasan pengguna .
Penelitian ini menggunakan metode Nayve Bayes.
Nayve Bayes merupakan jenis dari algoritma Machine Learning yang tidak memiliki aturan, sehingga memiliki fleksibilitas.
Nayve Bayes mengandalkan probabilitas untuk menentukan kemungkinan suatu kejadian dengan memperhitungkan frekuensi pada berbagai klasifikasi dalam data pelatihan .
Metode Nayve Bayes dipilih karena dianggap sederhana, cepat, dan memiliki performa yang tinggi dalam pengklasifikasian teks .
Jika tujuan penelitian ini tercapai, hasilnya akan mengenai tingkat kepuasan pengguna terhadap platform Question.
AI.
Penemuan tersebut dapat memperbaiki kualitas layanan fitur platform
METODE PENELITIAN
Alur dalam penelitian ini diawali dengan mengidentifikasi masalah, pengumpulan data, pemrosesan, analisa data, penerapan model, evaluasi, interpretasi serta hasil.
Setelah semua dilakukan nantinya akan menyajikan hasil yang mudah di pahami, berikut dibawah ini Gambar 1 alur dari metode penelitian tersebut.
Gambar 1 Alur Metode Penelitian 1 Pokok Masalah Menetapkan fokus penelitian terhadap kepuasan pengguna dan bagaimana model Nayve Bayes dapat digunakan untuk penelitian.
Melihat ulasan pengguna aplikasi Question.
AI yang nanti nya akan di review untuk penellitian selanjutnya apakah pengguna merasa puas terhadap aplikasi atau tidak.
2 Pengumpulan Data Dalam tahap ini peneliti akan mengambil ulasan pengguna aplikasi Question.
AI dengan cara teknik web scraoing data.
Dengan cara tersebut data ulasan yang ada pada Google Play Store
akan diunduh secara otomatis dan disimpan dengan format csv atau excel untuk diolah lebih 59 | ITBA D i a n C i p t a C e n d i k i a Jurnal informasi dan Komputer Vol: 13 No:1 2025
P-ISSN: 2337-8344
E-ISSN: 2623-1247
: hipotesis data X merupakan suatu class spesifik P(H|X) : probalitas hipotesis H berdasarkan kondisi X .
oateriori probabilit.
P(H) : probabilitas hipotesis H .
rior P(H|X) : probabilitas X berdasar kondisi
P(X)
: probabilitas dari X 3 Pre-processing Data/Pemrosesan Data Setelah data di unduh, tahap selanjutnya pemrosesan data dimana dataset yang sudah di akan dibersihkan melalui tahap pemrosesan seperti cleaning, case folding, tokenize, normalisasi, stopword, dan stemming.
Cleaning adalah proses pembersihan kalimat dari tanda baca, angka, karakter khusus dan spasi berlebih.
Case folding adalah proses mengubah seluruh teks data ulasan ke dalam bentuk teks kecil.
Tokenize adalah proses dimana data ulasan akan di pecah menjadi potongan kata atau Normalisasi menstandarisasi kata-kata yang memiliki makna serupa serta melakukan penyesuaian dalam penelitian dalam penulisan kata-kata yang disingkat atau baku.
Stopwords menghilangkan kata-kata yang umum digunakan yang tidak membawa sentiment signifikan dalam sebuah kalimat.
Diambil dari pustaka NLTK .
Stemming adalah proses untuk memperoleh akar kata dari suatu kata tertentu dengan menggunakan pustaka sastrawi .
4 Transformasi Data
Data ulasan akan diubah menjadi representasi
TF-IDF
(Term Frequency-Inverse Document Frequenc.
untuk mempersiapkan data bagi model Nayve Bayes.
5 Penerapan Model Model yang akan digunakan dalam penelitian ini yaitu Nayve Bayes, data ulasan yang telah di ubah menjadi representasi numerik TF-IDF selanjutnya akan mengklasifikasikan sentiment ulasan positif dan negatif.
Untuk teorema Nayve Bayes memiliki bentuk umum sebagai berikut :
Keterangan :
: data dengan class yang sebelum 6 Evaluasi Kinerja dari model Nayve Bayes akan di evaluasi dengan menghitung metric seperti akurasi, presisi, recall, dan F1-score.
Hasil evaluasi ini akan menunjukkan seberapa baik model untuk menampilkan sentiment ulasan pengguna.
7 Interpretasi Tahap ini untuk mengidentifikasi bagaimana Question.
AI dengan melihat ulasan positif dan negatif serta untuk memahami kepuasan pengguna terhadap aplikasi tersebut.
8 Hasil dan Kesimpulan Proses ini akan menghasilkan sebenarnya pengguna merasa puas atau tidak puas melalui ulasan positif dan negatif dilihat dari banyak mana antara positif atau negatif serta menampilkan wordCloud dan nilai akurasi yang di dapat dengan model Nayve Bayes.
HASIL DAN PEMBAHASAN
1 Pengumpulan Data Pada pemerolehan data, yang disajikan berupa data mentah dengan berbagai fitur yang ada seperti username, content dan score.
Tabel 1 menampilkan contoh data ulasan.
Tabel 1 Contoh data hasil perolehan data Username Content Score Trik Meong Banyak iklan 1 yang muncul Aini Aini Aplikasi 2 Pelabelan Data 60 | ITBA D i a n C i p t a C e n d i k i a Jurnal informasi dan Komputer Vol: 13 No:1 2025 Tahap selanjutnya pelabelan data, dengan menambahkan fitur label dimana fitur tersebut akan menunjukan mana sentiment positif dan mana sentiment negatif.
Data ulasan yang berlabel .
untuk positif dan .
untuk negatif, seperti Tabel 2 dibawah ini, serta Gambar 2 hasil akhir jumlah positif dan negatif pada data ulasan dengan jumlah positif sebanyak 1639 sedangkan Berikut ini gambar hasil distribusi jumlah positif dan negatif.
P-ISSN: 2337-8344
E-ISSN: 2623-1247
plik si ini .
pli 4 Model Nayve Bayes Tahap ini, merupkan pembagian data ulasan menjadi data latih dan uji.
Data ulasan akan dipecah menjadi beberapa rasio perbandingan untuk percobaan, data ulasan akan dibagi menjadi dua bagian dengan 80% sebagai data latih dan 20% sebagai data uji.
Hasil dari akurasi menggunakan model nayve bayes mendapat akurasi sebesar 91.
33%, serta presisi sebesar 98%, recall sebesar 92%, dan F1-score sebesar 95% merupakan bagian positif, sedangkan bagian negatif presisi sebesar 65%, recall sebesar 88%, dan F1-score sebesar 75%, berikut hasil tersebut bisa dilihat pada tabel 4 dibawah ini :
Gambar 2 Hasil Positif dan Negatif Tabel 4 Model Nayve Bayes Tabel 2 Penambahan Fitur Label Username Content Score Label Trik Meong Banyak iklan 1 yang muncul.
Aini Aini Aplikasi ini 5 Berikutnya tahap ini merupakan prapemrosesan data ulasan, hasil akhir dari data ulasan yang sudah dikenai tahap prapemrosesan, yakni case folding, tokenize, normalisasi, stopwords, dan stemming.
Berikut ini hasil dari prapemrosesan tersebut pada Tabel 3 dibawah Tabel 3 Hasil Prapemrosesan Data Case Toke Norm Stop Stem alisasi word ming any banya .
kla Akurasi
80:20
Positif Negatif 3 Prapemrosesan Data Clea Data Latih Data Uji Presisi Recall F1Score 5 Confusion Matrix Langkah ini bertujuan untuk mengevaluasi membandingkan prediksi yang dihasilkan oleh model tersebut dengan nilai Dengan hasil prediksi negatif 50, 27 dan positif 7, 308 sedanglan hasil actual negatif 50, 7 dan positif 27, 308.
Berikut hasil dari tahap tersebut bisa dilihat pada Gambar 3 dan Tabel 5dibawah ini :
61 | ITBA D i a n C i p t a C e n d i k i a Jurnal informasi dan Komputer Vol: 13 No:1 2025
P-ISSN: 2337-8344
E-ISSN: 2623-1247
Untuk label negatif, kumpulan kata yang sering muncul ditunjukan pada Gambar 5.
Kumpulan kata tersebut diantaranya AudiAy.
AudanAy.
AusayaAy.
AuyangAy.
AutidakAy.
AunyaAy.
AujawabanAy.
AumalahAy.
AutapiAy.
AusekarangAy.
AubanyakAy.
AusangatAy.
AujadiAy dan AupertanyaanAy.
Adapun kata yang tidak relevan AusangatAy.
AudiAy.
AudanAy.
AuyangAy.
AunyaAy.
AusayaAy.
AutapiAy.
AujadiAy dan AupertanyaanAy.
Tabel 5 Contoh data hasil perolehan data
Hasil
Aktual
Gambar 4 Hasil WordCloud Negatif
KESIMPULAN DAN SARAN
Hasil Prediksi Negatif Positif Positif Negatif 6 World Cloud Tahap ini berupa visual dari teks yang kata-kata Akan disajikan dalam kumpulan kata positif dan negatif, kumpulan kata positif terdiri dari AusangatAy.
AumembantuAy.
AusayaAy.
AuaplikasiAy.
AubisaAy.
AubagusAy.
AuyangAy.
AutapiAy.
AubuatAy.
AutidakAy.
AujadiAy, dan AubuatAy.
Adapun AutidakAy.
AuyangAy.
AutapiAy.
AusayaAy tidak relevan.
Hasil tersebut ditunjukan pada Gambar 4 berikut :
Gambar 4 Hasil WordCloud Positif Peneltian tersebut berhasil dilakukan dengan mengindikasikan bahwa model Nayve Bayes dapat diterapkan dengan efektif dalam klasifikasi sentiment ulasan pengguna terhadap aplikasi Question.
AI.
Dengan menggunakan teknik Prapemrosesan data.
Penelitian ini menunjukan tingkat akurasi yang tinggi, yakni 91.
33% dalam membedakan sentiment positif dan negatif.
Disamping itu, nilai metrik evaluasi seperti presisi menunjukan hasil yang andal sebesar 98%, recall sebesar 92%, dan F1-score sebesar 95% hasil tersebut merupakan bagian dari Sedangkan bagian dari negatif yaitu, presisi 65%, recall 88%, dan F1-score 75%.
Analisis menunjukan bahwa sebagian besar pengguna memberikan ulasan positif mengenai efektivitasnya, sebagian banyak pengguna merasa puas atas kinerja aplikasi Question.
Sedangkan ulasan negatif timbul akibat kendala teknis, seperti bug, iklan yang mengganggu, dan jawaban yang tidak relevan.
Wordcloud yang dihasilkan menampilkan katakata kunci seperti AumembantuAy dan AumudahAy muncul dalam ulasan positif, sementara AuiklanAy dan AubugAy mendominasi ulasan negatif.
Adapun saran untuk penelitian selanjutnya, dapat membandingkan model Nayve Bayes dengan model pembelajaran mesin lainnya seperti Support Vector Machine (SVM) atau Random Forest untuk mengetahui potensi peningkatan akurasi dan metrik evalusai.
62 | ITBA D i a n C i p t a C e n d i k i a Jurnal informasi dan Komputer Vol: 13 No:1 2025
DAFTAR PUSTAKA