Klasifikasi Sentimen Ulasan Pengguna Aplikasi Layanan Publik Google Play Store Menggunakan NLP dan ML

Abstract

Perkembangan teknologi digital telah mendorong transformasi signifikan dalam penyediaan layanan publik di Indonesia. Peningkatan pemanfaatan aplikasi digital menuntut adanya evaluasi berbasis data guna memahami tingkat kepuasan masyarakat sekaligus menilai persepsi mereka terhadap kualitas layanan. Evaluasi ini penting tidak hanya dari sisi teknis, tetapi juga untuk memastikan bahwa manfaat layanan benar-benar dirasakan oleh para pengguna. Salah satu pendekatan yang relevan untuk melakukan penilaian tersebut adalah analisis sentimen dengan memanfaatkan metode Natural Language Processing (NLP) melalui ulasan pengguna yang tersedia pada platform distribusi aplikasi seperti Google Play Store. Penelitian ini bertujuan menerapkan serta membandingkan kinerja tiga algoritma klasifikasi teks, yakni Naïve Bayes, Support Vector Machine (SVM), dan Random Forest, dalam menganalisis sentimen terhadap aplikasi layanan publik MyICON+, yang dikembangkan oleh PT Indonesia Comnets Plus (ICON+), anak perusahaan dari PT PLN (Persero). Metode penelitian menggunakan pendekatan kuantitatif eksperimental dengan desain komparatif. Data penelitian berupa 2.000 ulasan berbahasa Indonesia yang dikumpulkan menggunakan teknik web scraping. Data kemudian diproses melalui tahapan prapemrosesan teks yang meliputi case folding, tokenisasi, penghapusan stopword, dan stemming menggunakan pustaka Sastrawi. Representasi fitur diperoleh melalui metode Term Frequency–Inverse Document Frequency (TF-IDF), dengan data yang diberi label sentimen positif dan negatif. Dataset dibagi menjadi 80% untuk pelatihan dan 20% untuk pengujian. Evaluasi dilakukan dengan metrik akurasi, precision, recall, F1-score, dan confusion matrix. Hasil penelitian menunjukkan bahwa algoritma SVM memberikan performa terbaik dengan akurasi 97% dan macro F1-score 0,87. Algoritma Random Forest berada pada posisi kedua dengan akurasi 95% dan macro F1-score 0,80, sedangkan Naïve Bayes memperoleh akurasi 92% dan macro F1-score 0,51. Selain unggul dalam akurasi, SVM juga lebih stabil dalam mendeteksi sentimen minoritas seperti ulasan positif. Secara keseluruhan, penelitian ini menegaskan bahwa SVM merupakan metode yang paling efektif dalam klasifikasi opini berbasis teks pada konteks layanan publik digital. Hasil studi diharapkan berkontribusi dalam pengembangan sistem analitik opini publik otomatis dan mendukung pengambilan keputusan yang lebih adaptif untuk peningkatan layanan digital pemerintah.