OPTIMASI ANALISIS SENTIMEN ULASAN APLIKASI MOBILE FASHION RETAIL MENGGUNAKAN HYBRID MODEL NAÏVE BAYES - SVM DENGAN IMPLEMENTASI SMOTE DAN RANDOMIZED SEARCH

KHAIRUDIN, FIKRI AFIF (2025) OPTIMASI ANALISIS SENTIMEN ULASAN APLIKASI MOBILE FASHION RETAIL MENGGUNAKAN HYBRID MODEL NAÏVE BAYES - SVM DENGAN IMPLEMENTASI SMOTE DAN RANDOMIZED SEARCH. Other thesis, UPN Veteran Yogyakarta.

	Text 2_Cover_123210118_Fikri Afif Khairudin.pdf Download (209kB)
	Text 3_Abstrak_123210118_Fikri Afif Khairudin.pdf Download (238kB)
	Text 4_Halaman Pengesahan_123210118_Fikri Afif Khairudin.pdf Download (884kB)
	Text 5_Daftar Isi_123210118_Fikri Afif Khairudin.pdf Download (222kB)
	Text 6_Daftar Pustaka_123210118_Fikri Afif Khairudin.pdf Download (195kB)
	Text 1_Skripsi full_123210118_Fikri Afif Khairudin.pdf Restricted to Repository staff only Download (8MB)
	Text PANDUAN MENGAKSES DTS FULL.pdf Download (861kB)

Abstract

Pertumbuhan pesat dalam penggunaan aplikasi mobile fashion retail telah
mendorong peningkatan jumlah ulasan pengguna di platform seperti Google Play Store.
Ulasan-ulasan ini memuat opini dan pengalaman pengguna terhadap layanan atau produk
yang digunakan dan memiliki nilai informasi yang tinggi jika dianalisis secara sistematis.
Dalam konteks ini, analisis sentimen menjadi pendekatan penting untuk menggali persepsi
pengguna, mengukur tingkat kepuasan, serta mengevaluasi kualitas layanan dari aplikasi
tersebut. Namun, untuk mendapatkan hasil analisis yang akurat, dibutuhkan model
klasifikasi yang andal dan strategi optimasi yang tepat guna meningkatkan performa prediksi
sentimen.
Penelitian ini berfokus pada pengembangan dan optimasi model hybrid untuk
analisis sentimen ulasan pengguna terhadap aplikasi mobile fashion retail. Data ulasan
dikumpulkan melalui proses scraping dari Google Play Store dengan total 10.999 data yang
setelah proses preprocessing dan pelabelan menjadi 4.889 data. Label sentimen ditentukan
menggunakan metode berbasis leksikon VADER yang sebelumnya diawali dengan
penerjemahan ulasan ke dalam bahasa Inggris. Fitur diekstraksi menggunakan metode TF
IDF, lalu dilakukan pembagian data dengan rasio 80:20 dan 70:30. Ketidakseimbangan data
ditangani menggunakan teknik SMOTE. Model hybrid dibangun dengan mengombinasikan
Naïve Bayes dan SVM menggunakan ensemble voting. Sebagai bagian dari optimasi,
dilakukan pencarian hyperparameter terbaik melalui teknik randomized search untuk
masing-masing model tunggal.
Hasil evaluasi menunjukkan bahwa penerapan SMOTE dan randomized search pada
hybrid model dengan rasio pembagian data 80:20 menghasilkan performa terbaik dengan
akurasi akurasi = 82%, precision = 82%, recall = 82%, serta F1-Score = 81%. Temuan ini
menunjukkan bahwa kombinasi Naïve Bayes dan SVM dapat saling melengkapi dalam
klasifikasi sentimen dan juga penanganan ketidakseimbangan data serta optimasi parameter
mampu meningkatkan performa model. Penelitian ini memberikan kontribusi dalam
penerapan model hybrid yang dioptimasi secara efektif untuk analisis sentimen ulasan
aplikasi mobile fashion retail yang dapat digunakan oleh pengembang aplikasi sebagai alat
untuk memahami persepsi pengguna dan meningkatkan kualitas layanan aplikasi.
Kata Kunci: analisis sentimen, naïve bayes, SVM, SMOTE, randomized search

Item Type:	Thesis (Other)
Additional Information:	FIKRI AFIF KHAIRUDIN (Penulis) ; Budi Santosa (Pembimbing)
Uncontrolled Keywords:	analisis sentimen, naïve bayes, SVM, SMOTE, randomized search
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	x. Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	A.Md Eko Suprapti
Date Deposited:	10 Jul 2025 02:31
Last Modified:	10 Jul 2025 02:31
URI:	http://eprints.upnyk.ac.id/id/eprint/43025

Actions (login required)

View Item