Analisis Sentimen Ulasan Pengguna pada Aplikasi JMO ( Jamsostek Mobile) di Google Play Store Menggunakan Algoritma Naive Bayes: Penelitian

Sri Damayanti; Husna Sari; Bobby Ardiansyah; Dicky Apdillah

doi:10.31004/jerkin.v4i4.6708

Authors

Sri Damayanti Universitas Asahan
Husna Sari Universitas Asahan
Bobby Ardiansyah Universitas Asahan
Dicky Apdillah Universitas Asahan

DOI:

https://doi.org/10.31004/jerkin.v4i4.6708

Keywords:

Analisis Sentimen, Naïve Bayes, JMO, Google Play Store, Text Mining

Abstract

Perkembangan teknologi informasi telah mendorong transformasi layanan publik ke arah digital, termasuk melalui pemanfaatan aplikasi mobile untuk meningkatkan efisiensi dan kemudahan akses bagi masyarakat. Salah satu inovasi layanan digital tersebut adalah aplikasi JMO (Jamsostek Mobile) yang dikembangkan oleh BPJS Ketenagakerjaan. Banyaknya ulasan yang diberikan pengguna pada Google Play Store dapat dimanfaatkan sebagai sumber informasi untuk mengukur tingkat kepuasan serta persepsi pengguna terhadap kualitas aplikasi. Penelitian ini bertujuan untuk mengidentifikasi dan menganalisis sentimen pengguna aplikasi JMO melalui pendekatan analisis sentimen menggunakan algoritma Naïve Bayes. Data yang digunakan berupa 1.000 ulasan pengguna yang diperoleh dari Google Play Store melalui proses web scraping menggunakan Python dan Google Play Scraper. Tahapan penelitian mencakup preprocessing data, pelabelan sentimen berdasarkan rating bintang, ekstraksi fitur menggunakan metode TF-IDF, proses klasifikasi dengan algoritma Naïve Bayes, serta evaluasi performa model menggunakan confusion matrix. Hasil penelitian menunjukkan bahwa sentimen negatif lebih mendominasi dibandingkan sentimen positif dan netral. Sebagian besar ulasan negatif berkaitan dengan permasalahan teknis, seperti error sistem, kendala login, OTP yang tidak diterima, serta performa aplikasi yang lambat. Sebaliknya, ulasan positif umumnya menyoroti kemudahan penggunaan layanan dan fitur-fitur yang membantu pengguna. Berdasarkan hasil pengujian, model Naïve Bayes menghasilkan nilai accuracy sebesar 86%, precision sebesar 84%, recall sebesar 85%, dan F1-score sebesar 84%. Temuan ini menunjukkan bahwa algoritma Naïve Bayes memiliki kinerja yang cukup baik dalam mengklasifikasikan sentimen pada ulasan aplikasi mobile. Hasil penelitian diharapkan dapat menjadi referensi dalam pengembangan studi analisis sentimen sekaligus memberikan masukan bagi pengembang aplikasi untuk meningkatkan kualitas layanan digital yang diberikan.

References

Agarwal, A., Xie, B., Vovsha, I., Rambow, O., & Passonneau, R. (2011). Sentiment analysis of Twitter data. In Proceedings of the Workshop on Languages in Social Media (pp. 30–38).

Cambria, E., Schuller, B., Xia, Y., & Havasi, C. (2013). New avenues in opinion mining and sentiment analysis. IEEE Intelligent Systems, 28(2), 15–21. https://doi.org/10.1109/MIS.2013.30

Dave, K., Lawrence, S., & Pennock, D. M. (2003). Mining the peanut gallery: Opinion extraction and semantic classification of product reviews. In Proceedings of the 12th International Conference on World Wide Web (pp. 519–528). https://doi.org/10.1145/775152.775226

Feldman, R., & Sanger, J. (2007). The text mining handbook: Advanced approaches in analyzing unstructured data. Cambridge University Press.

Ghose, A., & Ipeirotis, P. G. (2011). Estimating the helpfulness and economic impact of product reviews: Mining text and reviewer characteristics. IEEE Transactions on Knowledge and Data Engineering, 23(10), 1498–1512. https://doi.org/10.1109/TKDE.2010.188

Google. (2026, May 13). Google Play Store. https://play.google.com/store

Han, J., Kamber, M., & Pei, J. (2012). Data mining: Concepts and techniques (3rd ed.). Morgan Kaufmann.

Hutto, C. J., & Gilbert, E. (2014). VADER: A parsimonious rule-based model for sentiment analysis of social media text. Proceedings of the International AAAI Conference on Web and Social Media, 8(1), 216–225.

Jurafsky, D., & Martin, J. H. (2021). Speech and language processing (3rd ed.). Pearson.

Kowsari, K., Meimandi, K. J., Heidarysafa, M., Mendu, S., Barnes, L., & Brown, D. (2019). Text classification algorithms: A survey. Information, 10(4), 150. https://doi.org/10.3390/info10040150

Kumar, A., & Gupta, S. (2019). Sentiment analysis using machine learning techniques. International Journal of Computer Applications, 182(15), 1–5. https://doi.org/10.5120/ijca2019918452

Liu, B. (2012). Sentiment analysis and opinion mining. Morgan & Claypool Publishers.

Manning, C. D., Raghavan, P., & Schütze, H. (2008). Introduction to information retrieval. Cambridge University Press.

Medhat, W., Hassan, A., & Korashy, H. (2014). Sentiment analysis algorithms and applications: A survey. Ain Shams Engineering Journal, 5(4), 1093–1113. https://doi.org/10.1016/j.asej.2014.04.011

Miner, G., Elder, J., Fast, A., Hill, T., Nisbet, R., & Delen, D. (2012). Practical text mining and statistical analysis for non-structured text data applications. Academic Press.

Pang, B., & Lee, L. (2008). Opinion mining and sentiment analysis. Foundations and Trends in Information Retrieval, 2(1–2), 1–135. https://doi.org/10.1561/1500000011

Rish, I. (2001). An empirical study of the Naïve Bayes classifier. In Proceedings of the IJCAI Workshop on Empirical Methods in Artificial Intelligence (pp. 41–46).

Russell, S., & Norvig, P. (2021). Artificial intelligence: A modern approach (4th ed.). Pearson.

Salton, G., & Buckley, C. (1988). Term-weighting approaches in automatic text retrieval. Information Processing & Management, 24(5), 513–523. https://doi.org/10.1016/0306-4573(88)90021-0

Sebastiani, F. (2002). Machine learning in automated text categorization. ACM Computing Surveys, 34(1), 1–47. https://doi.org/10.1145/505282.505283

Sharma, P., Singh, R., & Sharma, A. (2020). Sentiment analysis of mobile application reviews using machine learning techniques. International Journal of Advanced Computer Science and Applications, 11(3), 245–252. https://doi.org/10.14569/IJACSA.2020.0110331

Sokolova, M., & Lapalme, G. (2009). A systematic analysis of performance measures for classification tasks. Information Processing & Management, 45(4), 427–437. https://doi.org/10.1016/j.ipm.2009.03.002

Tan, P. N., Steinbach, M., & Kumar, V. (2019). Introduction to data mining (2nd ed.). Pearson.

Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2016). Data mining: Practical machine learning tools and techniques (4th ed.). Morgan Kaufmann.

Zhang, L., Wang, S., & Liu, B. (2018). Deep learning for sentiment analysis: A survey. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 8(4), e1253. https://doi.org/10.1002/widm.1253

Zhang, Z., Robinson, D., & Tepper, J. (2018). Detecting hate speech on Twitter using a convolution-GRU based deep neural network. In The Semantic Web (pp. 745–760). https://doi.org/10.1007/978-3-319-93417-4_48