Peningkatan Kinerja Analisis Sentimen Ulasan Pengguna Aplikasi Dompet Digital Menggunakan Support Vector Machine Melalui Optimasi Seleksi Fitur Particle Swarm Optimization

Tengku Hadi Somad Fuddin; Mahardika Abdi Prawira Tanjung

doi:10.33151/ijomss.v4i6.1153

Tengku Hadi Somad Fuddin Universitas Muhammadiyah Sumatera Utara
Mahardika Abdi Prawira Tanjung Universitas Muhammadiyah Sumatera Utara

DOI: https://doi.org/10.33151/ijomss.v4i6.1153

Keywords: analisis sentiment, support vector machine, particle swarm optimization, seleksi fitur dompet digital

Abstract

Pertumbuhan pengguna dompet digital di Indonesia memunculkan kebutuhan untuk memahami persepsi pengguna melalui analisis sentimen ulasan. Penelitian ini bertujuan untuk meningkatkan kinerja klasifikasi sentimen ulasan pengguna aplikasi dompet digital menggunakan Support Vector Machine (SVM) melalui optimasi seleksi fitur berbasis Particle Swarm Optimization (PSO). Data dikumpulkan dari Google Play Store sebanyak 10.000 ulasan yang berasal dari lima aplikasi dompet digital, yaitu GoPay, OVO, Dana, LinkAja, dan ShopeePay, dengan masing-masing 2.000 ulasan per aplikasi. Ulasan diklasifikasikan ke dalam tiga kelas sentimen: positif, negatif, dan netral. Proses ekstraksi fitur dilakukan menggunakan Term Frequency-Inverse Document Frequency (TF-IDF) yang menghasilkan 5.000 fitur. Selanjutnya, Binary PSO diterapkan untuk melakukan seleksi fitur dan berhasil mereduksi dimensi fitur menjadi 1.326 fitur atau sekitar 26,52% dari total fitur awal. Hasil pengujian menunjukkan bahwa model SVM tanpa seleksi fitur memperoleh akurasi sebesar 88,00%, sedangkan model SVM dengan seleksi fitur Chi-Square menghasilkan akurasi sebesar 91,00%. Model SVM dengan seleksi fitur PSO menghasilkan akurasi tertinggi sebesar 93,75%, precision sebesar 93,86%, recall sebesar 93,75%, dan F1-score sebesar 93,79%. Dengan demikian, penerapan PSO berhasil meningkatkan akurasi sebesar 5,75 poin persentase dibandingkan model baseline. Penelitian ini menunjukkan bahwa kombinasi TF-IDF, Binary PSO, dan SVM merupakan pendekatan yang efektif untuk analisis sentimen ulasan pengguna dompet digital.

Author Biographies

Tengku Hadi Somad Fuddin, Universitas Muhammadiyah Sumatera Utara

Program Studi Teknologi Informasi, Fakultas Ilmu Komputer dan Teknologi Informasi

Mahardika Abdi Prawira Tanjung, Universitas Muhammadiyah Sumatera Utara

Program Studi Teknologi Informasi, Fakultas Ilmu Komputer dan Teknologi Informasi

References

Ahuja, R., Chug, A., Gupta, S., Ahuja, P., & Kohli, S. (2022). Classification and clustering algorithms of machine learning with their applications. In Nature-Inspired Computation in Data Mining and Machine learning (pp. 225–248). Springer, Cham. https://doi.org/10.1007/978-3-030-91184-8_11

Alharbi, A. S. M., & Al-Khalifa, H. S. (2021). Sentiment analysis of Arabic tweets regarding distance learning in Saudi Arabia during the COVID-19 pandemic. International Journal of Advanced Computer Science and Applications, 12(6), 49–56. https://doi.org/10.14569/IJACSA.2021.0120607

Bank Indonesia. (2023). Laporan Perkembangan Uang Elektronik 2023. Bank Indonesia. https://www.bi.go.id

Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3), 273–297. https://doi.org/10.1007/BF00994018

Faris, H., Mafarja, M. M., Heidari, A. A., Aljarah, I., Al-Zoubi, A. M., Mirjalili, S., & Fujita, H. (2020). An efficient binary Salp Swarm Algorithm with crossover scheme for feature selection problems. Knowledge-Based Systems, 154, 43–67. https://doi.org/10.1016/j.knosys.2018.05.009

Kennedy, J., & Eberhart, R. (1995). Particle swarm optimization. Proceedings of ICNN'95 – International Conference on Neural Networks, 4, 1942–1948. https://doi.org/10.1109/ICNN.1995.488968

Liu, B. (2022). Sentiment analysis and opinion mining. Synthesis Lectures on Human Language Technologies, 5(1), 1–167. https://doi.org/10.2200/S00416ED1V01Y201204HLT016

Lowell, A., Lowell, A., Candra, K., & Indra, E. (2025). Perbandingan metode Support Vector Machine (SVM) dan Naïve Bayes pada analisis sentimen ulasan aplikasi OVO. Jurnal Media Informatika (JuMIn), 6(2), 896–905. https://doi.org/10.55338/jumin.v6i2.5134

Mafarja, M., & Mirjalili, S. (2018). Whale optimization approaches for wrapper feature selection. Applied Soft Computing, 62, 441–453. https://doi.org/10.1016/j.asoc.2017.11.006

Qaiser, S., & Ali, R. (2018). Text mining: Use of TF-IDF to examine the relevance of words to documents. International Journal of Computer Applications, 181(1), 25–29. https://doi.org/10.5120/ijca2018917395

Rustam, F., Khalid, M., Aslam, W., Rupapara, V., Mehmood, A., & Choi, G. S. (2021). A performance comparison of supervised machine learning models for Covid-19 tweets sentiment analysis. PLOS ONE, 16(2), e0245909. https://doi.org/10.1371/journal.pone.0245909

Sembiring, I. B., & Syahra, Y. (2026). Sistem pakar dalam diagnosis gangguan skizofrenia menggunakan metode Dempster-Shafer. Indonesian Journal of Multidisciplinary Scientific Studies (IJOMSS), 4(4), 182–187. https://doi.org/10.33151/ijomss.v4i4.918

Taher, M., Badry, R., & El-Fiky, G. (2023). Sentiment analysis of Arabic e-government services reviews using transformer models. IEEE Access, 11, 24678–24691. https://doi.org/10.1109/ACCESS.2023.3254741

Wankhade, M., Rao, A. C. S., & Kulkarni, C. (2022). A survey on sentiment analysis methods, applications, and challenges. Artificial Intelligence Review, 55(7), 5731–5780. https://doi.org/10.1007/s10462-022-10144-1

Zhang, W., Li, X., Deng, Y., Bing, L., & Lam, W. (2022). A survey on aspect-based sentiment analysis: Tasks, methods, and challenges. IEEE Transactions on Knowledge and Data Engineering, 35(11), 11019–11038. https://doi.org/10.1109/TKDE.2022.3230975