Analisis Sentimen Ulasan Aplikasi InDrive Menggunakan Algoritma Support Vector Machine (SVM)

Abstract

Aplikasi inDrive merupakan salah satu aplikasi transportasi yang tersedia di Google Play Store. InDrive adalah aplikasi ride-hailing yang menawarkan sistem negosiasi harga langsung antara penumpang dan pengemudi, sehingga memberikan fleksibilitas dalam menentukan tarif yang sesuai dengan pasar di Indonesia. Ulasan pengguna berperan penting dalam menilai kualitas layanan, karena ulasan mencerminkan pengalaman nyata yang dapat mempengaruhi keputusan calon pengguna serta membantu pengembang dalam meningkatkan layanan aplikasi. Namun, informasi yang terdapat dalam ulasan sangat beragam, sehingga sulit untuk secara langsung menentukan apakah ulasan tersebut bernada positif atau negatif. Permasalahan ini dapat diatasi dengan analisis sentimen menggunakan pendekatan berbasis machine learning, khususnya dengan algoritma Support Vector Machine (SVM), yang mampu mengklasifikasikan ulasan ke dalam kategori positif dan negatif. Proses analisis sentimen diawali dengan pengambilan data ulasan menggunakan teknik scraping dengan bantuan pustaka Google-Play Scraper dalam bahasa pemrograman Python. Selanjutnya, dilakukan pra-pemrosesan data untuk membersihkan teks serta memberikan pelabelan manual pada seluruh data yang diperoleh. Setelah data siap, dilakukan proses klasifikasi sentimen. Klasifikasi sentimen memerlukan data dalam bentuk vektor, sehingga data terlebih dahulu dikonversi menggunakan metode TF-IDF (Term Frequency-Inverse Document Frequency). Pada penelitian ini, proses klasifikasi menggunakan algoritma SVM dengan beberapa jenis kernel, yaitu linear, polynomial, radial basis function (RBF), dan sigmoid, untuk menentukan kernel terbaik. Hasil training menunjukkan bahwa kernel polynomial memiliki akurasi tertinggi, yaitu 99%. Namun, pada tahap pengujian (testing), kernel ini tidak menunjukkan kinerja optimal dengan akurasi 84%. Sementara itu, kernel linear memiliki performa yang lebih baik dengan akurasi 96% pada proses training dan 91% pada proses testing. Analisis ini menggunakan teknik penggalian opini untuk mengidentifikasi fitur-fitur yang memengaruhi sentimen positif maupun negatif dalam ulasan pengguna. Hasil analisis menunjukkan bahwa kata-kata dengan bobot positif tinggi umumnya mencerminkan aspek yang dihargai oleh pengguna, seperti keunggulan dalam layanan, kemudahan penggunaan, dan keberlanjutan aplikasi. Sebaliknya, kata-kata dengan bobot negatif tinggi mengindikasikan beberapa masalah yang perlu diperbaiki, seperti masalah pada kepercayaan driver terhadap sistem terutama terkait keadilan, pembayaran, dan rating