Perbandingan Algoritma Support Vector Machine dan Long Short-Term Memory untuk Klasifikasi Sentimen Aplikasi K24KLIK

Bianca Mohacindy; Novita Rahmayuna; Nur Wakhidah

doi:10.33365/jtk.v20i1.471

Bianca Mohacindy Universitas Semarang
Novita Rahmayuna Universitas Bina Nusantara
Nur Wakhidah Universitas Semarang

DOI: https://doi.org/10.33365/jtk.v20i1.471

Keywords: Sentimen, K24Klik, Long Short-Term Memory, Support Vector Machine, Klasifikasi Teks, Web Scraping

Abstract

Perkembangan teknologi digital dalam sektor kesehatan telah mendorong hadirnya layanan farmasi berbasis aplikasi, salah satunya K24Klik. Aplikasi ini menyediakan pemesanan obat, konsultasi daring dengan apoteker, dan akses informasi kesehatan. Ulasan pengguna menjadi sumber penting untuk mengevaluasi kualitas layanan dan kepuasan pelanggan. Penelitian ini membandingkan performa algoritma klasifikasi sentimen Support Vector Machine (SVM) maupun Long Short-Term Memory (LSTM) terhadap 1.000 ulasan pengguna K24Klik dari web scraping dari Google Play Store. Data diolah melalui tahapan cleansing, case folding, tokenizing, stopword removal, dan stemming, lalu diberi label sentimen positif, negatif, dan netral menggunakan model Transformer. Eksperimen dilakukan pada tiga rasio data latih-uji (80:20, 70:30, 60:40) untuk memeriksa konsistensi model. Hasil menunjukkan SVM memperoleh F1-score tertinggi 0.88 pada kelas positif dan negatif, sedangkan LSTM mencapai akurasi 0.84 dengan performa lebih merata termasuk pada kelas netral. Penelitian ini menegaskan pentingnya pemilihan algoritma sesuai karakteristik data; SVM unggul pada data seimbang dan terstruktur, sementara LSTM efektif untuk data tidak seimbang dan konteks teks kompleks. Kontribusi utama studi ini adalah penerapan pelabelan otomatis berbasis Transformer yang terbukti akurat untuk membangun sistem analisis sentimen real-time di layanan farmasi digital.

References

B. Priyatna and S. S. Hilabi, “Klasifikasi Sentimen Analisis Ulasan Aplikasi Alfagift Menggunakan Algoritma Long Short Term Memory.,” STORAGE J. Ilm. Tek. dan Ilmu Komput., vol. 4, no. 2, pp. 48–55, 2025.

G. A. Ramadhan, “Analisis sentimen ulasan aplikasi ruangguru dengan algoritma long short term memory,” (Bachelor’s thesis, Fakultas Sains dan Teknologi Universitas Islam Negeri Syarif Hidayatullah Jakarta), 2023.

Nurochman and A. Ashiilah, “Perbandingan SVM dan LSTM untuk Memprediksi Gangguan Kecemasan Berdasarkan Cuitan di Platform Aplikasi X (Twitter),” J. Teknol. Komput, vol. 10, no. 1, pp. 55–63, 2024.

W. Silalahi and A. Hartanto, “Klasifikasi sentimen support vector machine berbasis optimasi menyambut pemilu 2024.,” JRST (Jurnal Ris. Sains dan Teknol., vol. 7, no. 2, pp. 245–255, 2023.

F. Damayanti, A. Rahim, and N. A. Verdikha, “Analisis Sentimen Ulasan Pengguna Terhadap Aplikasi K24klik Di Google Play Store Dengan Algoritma Naïve Bayes.,” JATI (Jurnal Mhs. Tek. Inform., vol. 9, no. 2, pp. 3224–3230, 2025.

D. Darwis, N. Siskawati, and Z. Abidin, “Penerapan Algoritma Naive Bayes Untuk Analisis Sentimen Review Data Twitter Bmkg Nasional.,” J. Tekno Kompak, vol. 15, no. 1, pp. 131–145, 2021.

S. Mutmainah, Khairunnas, and Khairunnisa, “Metode Deep Learning LSTM dalam Analisis Sentimen Aplikasi PeduliLindungi,” Sci. J. Comput. Sci. Informatics, vol. 1, no. 1, pp. 9–19, 2024, doi: 10.34304/scientific.v1i1.231.

B. Hakim and P. Kinasih, “Sentiment Analysis of Indonesian Citizen Tweets U sing Support Vector Machine on the Rebranding of Twitter to X.,” J. Tekno Kompak, vol. 18, no. 2, pp. 468–479, 2024.

D. Pratama, S. Wijaya, A. S. Santosa, and P. S. Tamba, “Penerapan Neural Network Lstm Dalam Memprediksi Sentimen Pengguna Twitter Terhadap Bitcoin,” J. TEKINKOM, vol. 6, no. 2, p. 2023, 2023, doi: 10.37600/tekinkom.v6i2.921.

R. Mitchell, Web Scraping with Python: Collecting More Data from the Modern Web. O’Reilly Media, 2018.

I. Busrayan and Andrianingsih, “Analisis Sentimen Pelanggan Terhadap Aplikasi Wondr By Bni Menggunakan Naiyes Bayes, Support Vector Machine (Svm), Dan K-Nearest Neighbor (Knn),” J. Comput. Sci. Inf. Technol., vol. 2, no. 2, pp. 263–274, 2025.

J. Devlin, M. Chang, K. Lee, and K. Toutanova, “Bert: Pre-training of deep bidirectional transformers for language understanding.,” Proc. 2019 Conf. North Am. chapter Assoc. Comput. Linguist. Hum. Lang. Technol. Vol. 1 (long short Pap., pp. 4171–4186, 2019, [Online]. Available: https://aclanthology.org/N19-1423.pdf

A. Wafda, “Aspect-Based Sentiment Analysis terhadap Cuitan Platform X tentang Kurikulum Merdeka Menggunakan IndoBERT,” (Doctoral dissertation, Universitas Islam Indonesia), 2025.

D. F. N. Anisa, I. Mukhlash, and M. Iqbal, “Deteksi Berita Online Hoax Covid-19 Di Indonesia Menggunakan Metode Hybrid Long Short Term Memory dan Support Vector Machine.,” J. Sains dan Seni ITS, vol. 11, no. 3, pp. A101–A108, 2023.

E. Prastyo, “Deteksi berita hoax dengan pendekatan Lexicon Based dan LSTM,” (Doctoral dissertation, Universitas Islam Negeri Maulana Malik Ibrahim), 2024.