Jurnal Sistem dan Teknologi Informasi Indonesia p-ISSN 2502-5724 e-ISSN 2541-5735 JUSTINDO Vol.
11 No.
Februari 2026, hal.
http://ejurnal.
id/index.
php/JUSTINDO/index https://doi.
org/10.
32528/justindo.
Klasifikasi Sentimen Ulasan Aplikasi Aci Menggunakan N-Gram Dan Algoritma Support Vector Machine (SVM) Sentiment Classification of Aci Application Reviews Using N-Gram Features And Support Vector Machine (SVM) Algorithm Ageng Wijaya Kusuma1.
Moh.
Dasuki*2.
Wiwik Suharso3 Program Studi Teknik Informatika.
Fakultas Teknik.
Universitas Muhammadiyah Jember Program Studi Sistem Informasi.
Fakultas Teknik.
Universitas Muhammadiyah Jember Email: 1agengwijaya1717@gmail.
com, 2moh.
dasuki22@unmuhjember.
id, 3wiwiksuharso01@gmail.
*Penulis Koresponden Received: 16 Januari 2026 Accepted: 27 Januari 2026 Published: 02 Februari 2026 This work is licensed under a Creative Commons Attribution 4.
International License.
Copyright .
2026 JUSTINDO
ABSTRAK
Transformasi teknologi informasi membuka peluang besar dalam penerapan pemrosesan bahasa alami (Natural Language Processin.
untuk analisis sentimen teks, khususnya dalam menggali opini pengguna terhadap layanan berbasis aplikasi.
Penelitian ini bertujuan untuk menganalisis sentimen ulasan pengguna aplikasi ojek daring ACI (Aku Cinta Indonesi.
yang tersedia di Google Play Store dengan menerapkan metode N-gram dan algoritma Support Vector Machine (SVM).
Data yang digunakan berjumlah 1.
419 ulasan, yang setelah melalui tahap pengolahan data dan pelabelan sentimen berbasis lexicon-based menghasilkan 239 data akhir dengan kategori sentimen positif dan negatif.
Ekstraksi fitur dilakukan menggunakan kombinasi unigram, unigram bigram, dan unigram trigram, dengan pembobotan kata menggunakan Term FrequencyAe Inverse Document Frequency (TF-IDF).
Selanjutnya, proses klasifikasi dilakukan menggunakan Support Vector Machine (SVM) dengan kernel linear melalui pembagian data latih dan data uji dengan rasio 80:20.
Hasil pengujian menunjukkan bahwa unigram bigram memperoleh akurasi tertinggi sebesar 96%, diikuti oleh unigram trigram sebesar 94%, dan unigram sebesar 90%, dengan seluruh nilai precision, recall, dan F1score pada ketiga model berada di atas 88%.
Hasil ini menunjukkan bahwa kombinasi unigram bigram mampu merepresentasikan konteks kata secara lebih optimal dibandingkan unigram, namun tetap lebih efisien daripada unigram trigram, sehingga meningkatkan akurasi klasifikasi sentimen oleh model SVM tanpa menambah kompleksitas secara signifikan.
Kata kunci: Analisis Sentimen.
N-Gram.
Support Vector Machine ABSTRACT The transformation of information technology has created significant opportunities for the application of Natural Language Processing (NLP) in text-based sentiment analysis, particularly in exploring user opinions toward application-based services.
This study aims to analyze the sentiment of user reviews of the ACI (Aku Cinta Indonesi.
online motorcycle taxi application available on the Google Play Store by applying the N-gram method and the Support Vector Machine (SVM) algorithm.
A total of 1,419 reviews were collected, and after data preprocessing and lexicon-based sentiment labeling, 239 final samples were obtained and categorized into positive and negative sentiments.
Feature extraction was performed using combinations of unigram, unigram bigram, and unigram trigram, with Term FrequencyAeInverse Document Frequency (TF-IDF) Furthermore, the classification process was carried out using a linear kernel Support Vector Machine with an 80:20 split between training and testing data.
The experimental results show that the unigram bigram model achieved the highest accuracy of 96%, followed by unigram trigram at 94% and unigram at 90%, with all precision, recall, and F1-score values across the three models exceeding 88%.
These findings indicate that the unigram bigram combination represents word context more effectively than unigram while remaining more efficient than unigram trigram, thereby improving the sentiment classification accuracy of the SVM model without significantly increasing computational complexity.
Keywords: Sentiment Analysis.
N-Gram.
Support Vector Machine.
JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesi.
Vol.
No.
Februari 2026 Pendahuluan Perkembangan teknologi informasi yang pesat telah mendorong peningkatan dalam bidang pemrosesan bahasa alami (Natural Language Processin.
, terutama dalam analisis sentimen berbasis teks.
Salah satu teknik yang krusial dalam ekstraksi fitur dari data teks adalah N-gram, yaitu metode statistika yang digunakan untuk membentuk rangkaian kata sebanyak n berdasarkan urutan kemunculannya dalam kalimat atau dokumen (Dhinora and Mailoa, 2.
N-gram dapat berupa unigram .
atu kat.
, bigram .
ua kat.
, trigram .
iga kat.
dan seterusnya (Mantik et al.
Dengan pendekatan ini, relasi antar kata dalam sebuah konteks menjadi lebih terlihat sehingga mampu menangkap makna yang lebih kompleks dibandingkan representasi kata tunggal.
Dalam analisis sentimen, teknik N-gram memegang peranan penting karena dapat mendeteksi polapola kalimat yang mengindikasikan sentimen tertentu, baik positif maupun negatif, secara lebih Dengan penerapan N-gram, informasi kontekstual antar kata dapat lebih mudah dipetakan sehingga mendukung proses klasifikasi, khususnya dalam analisis sentimen (Nurhidayat and Dewi.
Analisis sentimen dilakukan terhadap ulasan aplikasi ojek daring yang tersedia di Google Play Store.
Aplikasi yang menjadi objek pada penelitian ini adalah ACI, yaitu aplikasi layanan transportasi daring asli karya anak bangsa Indonesia.
ACI merupakan singkatan dari "Aku Cinta Indonesia", yang tidak hanya berfungsi sebagai aplikasi ojek online, tetapi juga mengusung semangat nasionalisme dan pemberdayaan ekonomi lokal.
Secara singkat.
ACI dapat didefinisikan sebagai aplikasi transportasi daring berbasis lokal yang menyediakan layanan ojek, pengantaran makanan, kurir, dan layanan Seiring dengan meningkatnya penggunaan layanan transportasi berbasis aplikasi, ulasan dan opini pengguna menjadi indikator penting dalam menilai kualitas layanan yang diberikan (Sahabuddin et al.
, 2.
Oleh karena itu, untuk memperkuat pemahaman terhadap definisi tersebut, dilakukan analisis teks menggunakan metode N-gram untuk mengidentifikasi pola kata yang dominan dalam ulasan aplikasi ACI.
Dalam penelitian ini, pendekatan yang dipilih adalah menggunakan metode Support Vector Machine (SVM).
Support Vector Machine (SVM) ditemukan oleh Vladimir N.
Vapnik dan Alexey Ya.
Chervonenkis pada tahun 1963, sebagai bagian dari pengembangan teori statistical learning.
Pada awalnya.
SVM digunakan untuk menyelesaikan masalah klasifikasi linier sederhana.
Namun, seiring berkembangnya teknologi dan kebutuhan akan metode klasifikasi yang lebih kompleks.
SVM mengalami berbagai penyempurnaan, terutama melalui pengenalan konsep kernel pada tahun 1992 yang memungkinkan algoritma ini digunakan untuk klasifikasi data non-linier (Iqbal.
Afdal and Novita.
SVM banyak digunakan karena efektif dalam menyelesaikan masalah klasifikasi, regresi, dan prediksi pada data linier maupun non-linier dalam jumlah besar (Mukhtar et al.
, 2.
Support Vector Machine (SVM) adalah algoritma pembelajaran mesin yang berfungsi untuk melakukan klasifikasi maupun regresi dengan cara mencari sebuah hyperplane atau garis pemisah terbaik yang mampu memisahkan data dari dua kelas secara optimal (Pratama.
Triawan and Artikel.
Algoritma ini memaksimalkan margin antara dua kelas data, sehingga meningkatkan kemampuan generalisasi model terhadap data baru.
Titik data yang paling berpengaruh dalam pembentukan hyperplane disebut sebagai support vectors.
SVM sangat efektif dalam menangani data berdimensi tinggi dan sering digunakan dalam analisis sentimen karena kemampuannya dalam mengolah data teks, terutama ketika dikombinasikan dengan teknik representasi fitur seperti N-gram (Br Sinulingga and Sitorus, 2.
Beberapa penelitian terdahulu telah mengkaji penggunaan metode klasifikasi dalam analisis sentimen dengan SVM.
Salah satu penelitian berjudul " Analisis Sentimen Review Skincare Skintific dengan Algoritma Support Vector Machine (SVM)".
Sebanyak 958 ulasan dari hasil penelitian menunjukkan bahwa model SVM mampu mencapai akurasi sebesar 94%, dengan nilai precision, recall, dan f1-score yang masing-masing melebihi 0,9.
Dari hasil klasifikasi, ditemukan sebanyak 862 ulasan dengan sentimen positif dan 96 ulasan dengan sentimen negatif.
https://doi.
org/10.
32528/justindo.
JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesi.
Vol.
No.
Februari 2026 Metode Penelitian Metode penelitian disusun secara terstruktur untuk memastikan penelitian berjalan sesuai tujuan, mencakup proses.
Tahapan penelitian ini menjelaskan proses yang dilakukan secara sistematis, dimulai dari pengumpulan data, pengolahan data, penerapan metode yang digunakan, hingga evaluasi terhadap hasil penelitian yang diperoleh.
Gambar 1.
Alur Penelitian Pengumpulan Data Tahapan ini dilakukan proses pengumpulan data dengan mengambil data berupa ulasan pengguna aplikasi ACI yang tersedia pada platform Google Play Store.
Pengambilan data dilakukan menggunakan metode web scraping, yaitu teknik ekstraksi data secara otomatis dari halaman web, yang dijalankan melalui Google Colaboratory (Google Cola.
Pengolahan Data Tahap ini bertujuan untuk mengolah data teks hasil scraping dari aplikasi ACI agar siap digunakan dalam proses pelatihan dan pengujian model.
Proses yang dilakukan meliputi pengolahan data teks, yaitu cleansing, normalization, stopword removal, serta stemming menggunakan pustaka Sastrawi.
Tahap preprocessing dilakukan untuk membersihkan dan menyiapkan teks sehingga dapat diproses lebih lanjut secara optimal dengan mengurangi unsur noise dalam data (Nurlaely.
Sartika Simatupang and Lucia Kharisma, 2.
Setelah itu, dilakukan proses tokenisasi berbasis N-Gram dengan kombinasi unigram, unigram bigram, dan unigram trigram untuk membentuk fitur teks.
Tahapan ini menghasilkan data teks yang bersih, terstruktur, dan siap digunakan pada tahap klasifikasi sentimen.
Penerapan Metode Tahap ini bertujuan untuk membangun model klasifikasi teks berdasarkan data yang telah melalui proses pre-processing.
Pelabelan data dilakukan menggunakan pendekatan lexicon-based, di mana setiap ulasan diberi label sentimen positif atau negatif.
Data kemudian dibagi menjadi data latih dan data uji menggunakan rasio tertentu.
Setelah itu, dilakukan proses pembobotan kata menggunakan metode Term FrequencyAeInverse Document Frequency (TF-IDF) untuk merepresentasikan teks dalam bentuk numerik (Rahayu et al.
, 2.
Hasil pembobotan TF-IDF digunakan sebagai vektor fitur yang merepresentasikan setiap ulasan pengguna (Apriliyanti et al.
, 2.
Model klasifikasi selanjutnya dibangun menggunakan Support Vector Machine (SVM) dengan kernel linear, yang digunakan untuk mengklasifikasikan ulasan ke dalam kelas sentimen positif dan negatif.
SVM linear dipilih karena mampu bekerja secara efektif pada data teks serta memiliki kinerja yang baik dalam memanfaatkan fitur berbasis frekuensi maupun pembobotan TF-IDF.
Evaluasi Tahap evaluasi menggunakan Confusion Matrix dilakukan pada data uji untuk menilai kinerja model SVM.
Tahapan ini bertujuan untuk mengukur sejauh mana model mampu mengklasifikasikan data sentimen secara tepat.
Metrik performa seperti accuracy, precision, recall, dan F1-score dihitung sebagai bagian dari proses evaluasi untuk mengetahui kualitas hasil klasifikasi.
Setelah itu, dilakukan visualisasi dalam bentuk wordcloud untuk mengetahui kata-kata yang paling sering muncul dan dominan pada masing-masing kelas sentimen .
ositif dan negati.
, sehingga dapat memberikan gambaran interpretatif terhadap hasil analisis sentimen yang telah dilakukan.
https://doi.
org/10.
32528/justindo.
JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesi.
Vol.
No.
Februari 2026 Hasil dan Pembahasan Pengumpulan Data Data yang digunakan dalam penelitian ini berasal dari ulasan pengguna aplikasi ACI yang diperoleh dari platform Google Play Store.
Pengambilan data dilakukan menggunakan metode web scraping, yaitu teknik ekstraksi data secara otomatis dari halaman web, dengan bantuan Google Colaboratory (Google Cola.
sebagai lingkungan pemrograman.
Data ulasan diperoleh dengan menggunakan fungsi scraper yang mengambil input ID aplikasi Aucom.
viuitAy, yaitu identitas unik aplikasi ACI pada Google Play Store.
ID ini digunakan untuk mengakses halaman aplikasi yang sesuai sehingga ulasan yang dikumpulkan berasal langsung dari aplikasi ACI dan bersifat valid.
Melalui proses tersebut, berhasil dikumpulkan sebanyak 1.
419 ulasan.
Gambar 2.
Url Id Aplikasi ACI Gambar 3.
Screenshot Hasil scraping ulasan ACI Pengolahan Data Tahap pengolahan data teks diawali dengan proses cleansing, yaitu menghilangkan karakter yang tidak relevan seperti tanda baca, angka, simbol, serta emotikon yang tidak memiliki pengaruh terhadap analisis sentimen.
Proses ini bertujuan untuk mengurangi noise pada data teks sehingga hanya informasi yang relevan yang dipertahankan.
Tabel 1.
Hasil Cleansing Sebelum Aplikasinya ini sgt bagus! Aplikasinya duhh, sgt buruk!!! Sesudah aplikasinya ini sgt bagus aplikasinya duhh sgt buruk Selanjutnya dilakukan normalization, yaitu memperbaiki kata tidak baku atau singkatan agar sesuai dengan bentuk kata yang baku.
Langkah ini dilakukan untuk mengurangi variasi kata dan membantu model menghasilkan klasifikasi yang lebih tepat.
Tabel 2.
Hasil Normalization Sebelum aplikasinya ini sgt bagus aplikasinya duhh sgt buruk Sesudah aplikasinya ini sangat bagus aplikasinya duhh sangat buruk Setelah itu, dilakukan stopword removal untuk menghapus kata-kata umum yang sering muncul namun tidak memiliki makna sentimen yang signifikan, seperti kata hubung dan kata depan, sehingga fitur yang dihasilkan menjadi lebih representatif.
Tabel 3.
Hasil Stopword Removal Sebelum aplikasinya ini sangat bagus aplikasinya duhh sangat buruk https://doi.
org/10.
32528/justindo.
Sesudah aplikasinya sangat bagus aplikasinya sangat buruk JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesi.
Vol.
No.
Februari 2026 Tahap selanjutnya adalah stemming, yaitu proses mengonversi kata berimbuhan menjadi kata dasar dengan memanfaatkan pustaka Sastrawi.
Proses ini bertujuan untuk meningkatkan konsistensi data, mengurangi jumlah variasi kata, serta mendukung agar proses klasifikasi teks dapat berlangsung secara lebih efektif dan optimal.
Tabel 4.
Hasil Stemming Sebelum aplikasinya sangat bagus aplikasinya sangat buruk Sesudah aplikasi sangat bagus aplikasi sangat buruk Setelah proses stemming selesai, dilakukan tokenizing untuk memecah teks menjadi unit-unit kata yang lebih kecil sebagai fitur masukan model.
Pada penelitian ini, proses tokenisasi dilakukan menggunakan pendekatan N-Gram, dengan kombinasi unigram, unigram bigram, dan unigram trigram, guna menangkap pola kata tunggal maupun hubungan antar kata dalam teks.
Tabel 5.
Hasil Tokenizing N-gram Unigram Unigram Bigram Unigram Trigram [AoaplikasiAo.
AosangatAo.
AobagusA.
[AoaplikasiAo.
AosangatAo.
AobagusAo.
Aoaplikasi sangatAo.
Aosangat bagusA.
[AoaplikasiAo.
AosangatAo.
AobagusAo,Aoaplikasi sangat bagusA.
Penerapan Metode Data hasil pengolahan selanjutnya dilakukan proses pelabelan, yaitu dengan memberikan label positif atau negatif pada setiap ulasan menggunakan pendekatan lexicon-based.
Ulasan dengan label netral dihapus karena tidak memiliki polaritas sentimen yang jelas serta berpotensi menimbulkan ambiguitas dalam proses klasifikasi.
Setelah proses pelabelan diterapkan pada fitur unigram, unigram bigram, dan unigram trigram, masing-masing menghasilkan 239 data, yang terdiri atas 159 ulasan berkategori positif dan 80 ulasan berkategori negatif.
TF-IDF dimanfaatkan untuk mengubah data teks menjadi vektor numerik dengan memberikan bobot pada setiap kata berdasarkan frekuensi kemunculan dan tingkat kepentingannya.
Data yang telah direpresentasikan dalam bentuk vektor selanjutnya dibagi menjadi data latih dan data uji dengan rasio 80:20 untuk keperluan pelatihan dan evaluasi model.
Setelah itu.
Support Vector Classifier (SVC) dengan kernel linear diterapkan sebagai algoritma klasifikasi untuk memisahkan data ke dalam kelas sentimen positif dan negatif berdasarkan nilai fungsi keputusan.
Model SVM menggunakan kernel linear karena representasi TF-IDF berbentuk sparse matrix yang umumnya lebih efektif dipisahkan secara linear.
Persamaan .
merupakan perhitungan term frequency (TF), nilai t merepresentasikan jumlah kemunculan suatu kata tertentu dalam dokumen d, sedangkan d mengacu pada total keseluruhan kata dalam dokumen tersebut.
yc ycNya = .
ycc Pada persamaan .
N mewakili jumlah total dokumen dalam korpus, sedangkan df.
menunjukkan jumlah dokumen yang mengandung kata t.
ycnyccyce = ycoycuyci yccyce .
Pada persamaan .
Nilai TF-IDF dari suatu kata dihitung berdasarkan kombinasi dari kedua nilai .
ycNyaycnyccyce = ycNya.
ycnyccyce Tabel 6.
Contoh Dokumen Uji Sebelum https://doi.
org/10.
32528/justindo.
Sesudah JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesi.
Vol.
No.
Februari 2026 aplikasi, sangat, bagus, aplikasi sangat, sangat bagus aplikasi, sangat, buruk, aplikasi sangat, sangat buruk Tabel 7.
Perhitungan TF-IDF Term aplikasi sangat sangat bagus sangat buruk 1/5 = 0.
1/5 = 0.
1/5 = 0.
1/5 = 0.
1/5 = 0.
1/5 = 0.
1/5 = 0.
IDF = log.
/ d.
= 0 log.
= 0 log.
= 0.
= 0.
= 0 log.
= 0.
= 0.
TF-IDF
Pada persamaan .
Di mana f.
merupakan fungsi prediksi, w adalah vektor normal yang menentukan arah hyperplane, x merupakan vektor fitur input, dan b adalah bias.
= yc.
ycu yca Tabel 8.
Perhitungan SVM Dokumen Term Aktif (TF- IDF) 060206, 0.
060206, 0.
Bobot
-1, -1
Perhitungan f.
(-1y0.
(-1y0.
Nilai f.
Evaluasi Evaluasi menggunakan Confusion Matrix dilakukan untuk menilai kinerja model SVM.
Tahapan ini bertujuan mengukur sejauh mana model mampu mengklasifikasikan data dengan tepat.
Metrik performa seperti accuracy, precision, recall, dan f1-score dihitung sebagai bagian dari proses Gambar 4.
Hasil Confusion Matrix Unigram Gambar 5.
Hasil Confusion Matrix Unigram Bigram Gambar 6.
Hasil Confusion Matrix Unigram Trigram Tabel 8.
Perhitungan SVM Model Unigram Unigram Bigram Unigram Trigram Accuracy Precision Recall F1-Score Model SVM dengan fitur unigram memperoleh nilai accuracy 0,90, precision 0,89, recall 0,88, dan F1-score 0,88, yang menandakan bahwa penggunaan kata tunggal sudah mampu menangkap sentimen secara umum namun masih memiliki keterbatasan konteks.
Model unigram bigram menunjukkan performa terbaik dengan accuracy 0,96, precision 0,97, recall 0,94, dan F1-score 0,96, yang mencerminkan keseimbangan optimal antara ketepatan dan sensitivitas dalam mengenali Sementara itu, model unigram trigram menghasilkan accuracy 0,94, precision 0,96, recall 0,91, dan F1-score 0,93, yang menunjukkan peningkatan dibandingkan unigram, tetapi tidak https://doi.
org/10.
32528/justindo.
JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesi.
Vol.
No.
Februari 2026 melampaui kinerja unigram bigram karena kompleksitas fitur trigram cenderung menambah redundansi tanpa peningkatan performa yang signifikan.
Gambar 7.
Wordcloud Sentimen Positif dan Negatif Unigram Gambar 8.
Wordcloud Sentimen Positif dan Negatif Unigram Bigram Gambar 9.
Wordcloud Sentimen Positif dan Negatif Unigram Trigram Topik-topik yang sering dibahas oleh pengguna aplikasi ACI di Google Play Store ditunjukkan pada tahap interpretasi hasil.
Topik ulasan dengan sentimen positif maupun negatif kemudian divisualisasikan dalam bentuk wordcloud.
Wordcloud positif menunjukkan kata AomurahAo.
AocepatAo, dan AomudahAo sebagai dominan, yang mengindikasikan kepuasan terhadap harga dan layanan Sementara pada wordcloud negatif, kata AoerrorAo.
AolemotAo, dan AosusahAo muncul paling sering, menandakan masalah pada sisi teknis aplikasi.
Kesimpulan Pengujian menggunakan metode klasifikasi SVM pada ulasan aplikasi ACI menunjukkan bahwa kombinasi unigram bigram menghasilkan akurasi tertinggi sebesar 96%, diikuti oleh unigram trigram dengan akurasi 94%, dan unigram dengan akurasi 90%, di mana seluruh nilai precision, recall, dan F1-score masing-masing model berada di atas 88%.
Hasil ini menunjukkan bahwa kombinasi unigram bigram mampu menangkap konteks kata yang lebih luas dibandingkan unigram, namun tetap lebih efisien dibandingkan kombinasi unigram trigram, sehingga meningkatkan kemampuan model SVM dalam membedakan sentimen positif dan negatif secara lebih akurat tanpa menambah kompleksitas model secara berlebihan.
Daftar Pustaka