MUHAMMAD BADRI, - (2026) PENERAPAN SUPPORT VECTOR MACHINE DENGAN SMOTE UNTUK KLASIFIKASI SENTIMEN PADA DATA ULASAN APLIKASI TRADING VIEW. Bulletin of Computer Science Research, 6 (1). pp. 314-324. ISSN ISSN 2774-3659 (Media Online)

Preview	Text (ARTIKEL JURNAL) ARTICLE MUHAMMAD BADRI - MUHAMMAD BADRI.pdf - Published Version Download (3MB) | Preview
Preview	Text (PERNYATAAN PUBLIKASI MAHASISWA) surat pernyataan 1 - MUHAMMAD BADRI.pdf - Published Version Download (366kB) | Preview
Preview	Text (PERNYATAAN PUBLIKASI DOSEN) surat pernyataan 2 - MUHAMMAD BADRI.pdf - Published Version Download (442kB) | Preview

Abstract

Abstrak–Di era digital, tanggapan pengguna terhadap aplikasi mobile berperan sebagai pemberi informasi yang sangat berharga bagi para developer dalam mengevaluasi performa aplikasi. Salah satu aplikasi populer di bidang keuangan dan investasi adalah TradingView, yang banyak digunakan untuk analisis teknikal oleh para trader. Tanggapan pengguna terhadap aplikasi ini mencerminkan berbagai sentimen pengguna, baik positif, negatif, maupun netral. Namun, banyaknya jumlah ulasan dan bentuk teks yang tidak terstruktur mengakibatkan proses analisis manual dinilai kurang efisien serta memiliki potensi bias subjektif yang tinggi. Dengan demikian, dibutuhkan penggunaan metode klasifikasi otomatis yang mampu mengolah data teks dengan tingkat keakuratan yang cukup baik.Study ini dilakukan dengan tujuan untuk mengimplementasikan teknik “Support Vector Machine (SVM)” dalam mengklasifikasikan tanggapan pemakai aplikasi TradingView. Guna mengatasi permasalahan ketidakseimbangan distribusi data antar kelas sentimen,juga memanfaatkan pendekatan “Synthetic Minority Over-sampling Technique (SMOTE)”studi ini menggunakan pemanfaatan 10.000 tanggapan yang didapat dengan teknik web scraping pada Google Playstore.Alur Study terdiri dari tahap prapemrosesan teks, penerapan teknik “Term Frequency Inverse Document Frequency (TF-IDF)” untuk ekstraksi fitur, penyeimbangan data, proses pelatihan menggunakan SVM, serta evaluasi hasil model. Hasil evaluasi diperoleh bahwa penerapan algoritma SVM dengan bantuan Synthetic Minority Oversampling Technique (SMOTE) memberikan tingkat akurasi sebesar ±85,56% pada proporsi data (70:30, 80:20, 90:10). Pada setiap skenario, nilai f1-score tertinggi dicapai pada kelas sentimen positif, sementara performa pada kelas minoritas (negatif dan netral) menunjukkan peningkatan setelah dilakukan penyeimbangan data dengan SMOTE dengan rata rata peningkatan nilai fi-score pada kelas negatif sebesar 1,67% dan 10,67% pada kelas netral sedangkan tanpa penerapan teknik SMOTE nilai fi-score negatif rata-rata sebesar ±57% dan netral tidak terdeteksi 0,00%. Lebih lanjut, hasil validasi menggunakan K-Fold Cross Validation menghasilkan akurasi rata-rata 89,20%,sedangkan setelah ditambahkan SMOTE akurasi meningkat menjadi 95,10%. Kenaikan ini konsisten pada proporsi data (70:30, 80:20, 90:10) dengan rata-rata peningkatan 5,44%. Temuan ini menegaskan bahwa integrasi SVM dengan SMOTE tidak hanya mampu meningkatkan kemampuan klasifikasi pada data yang tidak seimbang, tetapi juga menjaga stabilitas performa model Sehingga, penelitian ini turut berperan dalam kemajuan sistem klasifikasi sentimen berbasis otomatis, khususnya pada ulasan aplikasi finansial berbasis mobile, serta dapat menjadi rujukan bagi penelitian lanjutan di bidang analisis ulasan pengguna pada aplikasi serupa. Kata Kunci: Sentimen Analisis; Support Vector Machine; Synthetic Minority Over-sampling Technique; Tanggapan Aplikasi; TradingView; Klasifikasi Sentimen.

Actions (login required)

View Item