ANALISIS SENTIMEN PENGGUNA TERHADAP APLIKASI NEWSAKPOLE MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE (SVM) DENGAN PENDEKATAN LEXICON DAN TF-IDF

Penelitian ini bertujuan untuk menganalisis sentimen pengguna terhadap aplikasi NewSakpole berdasarkan ulasan di Google Play Store setelah pembaruan aplikasi pada periode 10 Januari 2025 hingga 6 Juni 2025. Penelitian ini menggunakan pendekatan berbasis lexicon dan representasi teks Term Frequency-Inverse Document Frequency (TF-IDF) yang dipadukan dengan algoritma Support Vector Machine (SVM) berkernel linier. Sentimen diklasifikasikan ke dalam dua kategori, yaitu positif dan negatif. Tahapan penelitian meliputi preprocessing teks, lebeling sentimen, transformasi teks menggunakan TF-IDF, klasifikasi menggunakan SVM, serta penanganan ketidakseimbangan kelas dengan metode Synthetic Minority Oversampling Technique (SMOTE) dan penambahan data eksternal berlabel positif external augmentation. Hasil menunjukkan bahwa mayoritas ulasan pengguna mengandung sentimen negatif, terutama terkait masalah teknis seperti error aplikasi, fitur yang tidak berfungsi, dan kendala pembayaran pajak online. Model baseline SVM menghasilkan akurasi sebesar 92,01% dan meningkat menjadi 92,78% setelah penerapan SMOTE. Penambahan data eksternal positif meningkatkan akurasi hingga 94,43%, dan kombinasi SMOTE dengan data eksternal menghasilkan akurasi terbaik sebesar 94,97%, semuanya termasuk dalam kategori excellent classification. Teknik SMOTE dan penambahan data eksternal terbukti efektif dalam menyeimbangkan distribusi kelas, meskipun SMOTE tidak lagi signifikan pada dataset yang telah seimbang. Secara keseluruhan, integrasi pendekatan leksikon, TF-IDF, SVM, serta strategi penyeimbangan kelas berhasil meningkatkan performa klasifikasi sentimen terhadap ulasan aplikasi NewSakpole.