Klasifikasi Ulasan Pengguna Aplikasi Magic Chess: Go Go Pada Play Store Menggunakan Metode Random Forest
Abstract
Pertumbuhan pesat aplikasi mobile telah mendorong peningkatan signifikan dalam interaksi pengguna melalui platform digital, salah satunya adalah Google Play Store. Ulasan pengguna pada platform ini menjadi sumber informasi penting yang dapat dimanfaatkan untuk memahami persepsi publik terhadap suatu aplikasi. Salah satu aplikasi yang populer di kalangan pengguna adalah Magic Chess: Go Go, permainan strategi otomatis yang merupakan bagian dari ekosistem Mobile Legends. Meskipun terdapat ribuan ulasan yang tersedia, karakteristik teks bebas dan jumlahnya yang besar menyulitkan proses analisis secara manual. Oleh karena itu, diperlukan metode otomatis untuk mengklasifikasikan ulasan tersebut ke dalam kategori sentimen. Penelitian ini bertujuan untuk menganalisis dan mengklasifikasikan ulasan pengguna aplikasi Magic Chess: Go Go yang diambil dari Google Play Store menggunakan algoritma Random Forest. Proses penelitian mencakup beberapa tahap, yaitu pengumpulan data ulasan melalui pustaka google-play-scraper, data preprocessing (cleansing, case folding, tokenization, stopword removal, dan stemming), pelabelan data menggunakan kamus opini, serta ekstraksi fitur menggunakan metode TF-IDF. Data yang digunakan dibatasi pada ulasan berbahasa Indonesia selama bulan Mei 2025. Hasil dari penelitian menunjukkan bahwa algoritma Random Forest mampu mengklasifikasikan sentimen dengan akurasi sebesar 96,33%, di mana ulasan positif mendominasi sebanyak 63,7% dan ulasan negatif sebesar 36,3%. Hal ini menunjukkan bahwa secara umum, pengguna memberikan tanggapan yang cukup baik terhadap aplikasi tersebut. Temuan ini membuktikan bahwa pendekatan klasifikasi berbasis Random Forest dapat digunakan sebagai alat bantu yang efektif untuk mengekstrak opini pengguna dalam skala besar secara otomatis, sehingga dapat memberikan insight yang bernilai bagi pengembang aplikasi dalam pengambilan keputusan strategis ke depan.
References
B. Adikara, “Jumlah Gamer di Indonesia Terus Meningkat, Diperkirakan Capai 192,1 Juta Orang di 2025, Salah Satu yang Paling Banyak Adalah Pemain Mobile Legends,” jawapos.com, Oktober 2024. [Online]. Available: https://www.jawapos.com/hobi-kesenangan/015230108/jumlah-gamer-di-indonesia-terus-meningkat-diperkirakan-capai-1921-juta-orang-di-2025
Y. Valdi Seriang Ginta and S. Hardiyanto, “Kemenkominfo Sebut 35 Juta Penduduk Indonesia ‘Gamer’ Online Aktif, tapi Perputaran Uang yang Masuk Sedikit,” kompas.com, Oktober 2024. [Online]. Available: https://regional.kompas.com/read/2024/10/12/180422978/kemenkominfo-sebut-35-juta-penduduk-indonesia-gamer-online-aktif-tapi
Magic Chess: Go Go. (2023). Moonton. [Online]. Available: https://play.google.com/store/apps/details?id=com.mobilechess.gp&hl=id
M. Al Aziiz, F. Herlando, M. J. Palepa, and R. Q. Rohmansa, “Analisis Sentimen Aplikasi Mobile Legends : Bang Bang Menggunakan Latent Dirichlet Allocation,” E-Link J. Tek. Elektro Dan Inform., vol. 19, no. 1, p. 1, May 2024, doi: 10.30587/e-link.v19i1.6942.
H. C. Morama, D. E. Ratnawati, and I. Arwani, “Analisis Sentimen berbasis Aspek terhadap Ulasan Hotel Tentrem Yogyakarta menggunakan Algoritma Random Forest Classifier,” 2022.
M. Y. Aldean, P. Paradise, and N. A. Setya Nugraha, “Analisis Sentimen Masyarakat Terhadap Vaksinasi Covid-19 di Twitter Menggunakan Metode Random Forest Classifier (Studi Kasus: Vaksin Sinovac),” J. Inform. Inf. Syst. Softw. Eng. Appl. INISTA, vol. 4, no. 2, pp. 64–72, June 2022, doi: 10.20895/inista.v4i2.575.
T. B. Rohman, D. D. Purwanto, and J. Santoso, “Sentiment Analysis Terhadap Review Rumah Makan di Surabaya Memanfaatkan Algoritma Random Forest,” 2022.
F. A. Larasati, D. E. Ratnawati, and B. T. Hanggara, “Analisis Sentimen Ulasan Aplikasi Dana dengan Metode Random Forest,” 2022.
C. G. Indrayanto, D. E. Ratnawati, and B. Rahayudi, “Analisis Sentimen Data Ulasan Pengguna Aplikasi MyPertamina di Indonesia pada Google Play Store menggunakan Metode Random Forest,” 2023.
A. Sagita, A. Faqih, G. Dwilestari, B. Siswoyo, and D. Pratama, “Penerapan Metode Random Forest Dalam Menganalisis Sentimen Pengguna Aplikasi Capcut Di Google Play Store,” vol. 7, no. 6, 2023.
B. B. Baskoro, I. Susanto, and S. Khomsah, “Analisis Sentimen Pelanggan Hotel di Purwokerto Menggunakan Metode Random Forest dan TF-IDF (Studi Kasus: Ulasan Pelanggan Pada Situs TRIPADVISOR),” 2021.
S. Junaidi, M. Devegi, and H. Kurniawan, “Pelatihan Pengolahan dan Visualisasi Data Penduduk menggunakan Python,” ADMA J. Pengabdi. Dan Pemberdaya. Masy., vol. 4, no. 1, pp. 151–162, July 2023, doi: 10.30812/adma.v4i1.2963.
K. Nistrina and L. Sahidah, “Unified Modelling Language (Uml) Untuk Perancangan Sistem Informasi Penerimaan Siswa Baru Di Smk Marga Insan Kamil,” J. Sist. Inf., vol. 04, 2022.
Y. Findawati and M. A. Rosid, Buku Ajar Text Mining. Sidoarjo: UMSIDA PRESS, 2020. [Online]. Available: https://press.umsida.ac.id/index.php/umsidapress/article/view/978-623-6833-19-3/770
M. Reza et al., “Artifical Intelligence : Image Processing & Application with Python,” Oktober 2022.
D. Purnomo, W. Firgiawan, and N. Nur, “Komparasi Algoritma Random Forest, Naïve Bayes, dan SVM pada Sentimen Kebijakan PPN 12%,” vol. 19, no. 2.
N. Maftucha, S. Salma, N. Rahmayuna, and N. Wakhidah, “Perbandingan Algoritma Machine Learning Dalam Memprediksi Kelulusan Siswa,” vol. 19, no. 2.
