PERBANDINGAN ALGORITMA NAIVE BAYES, SVM, DAN MULTILAYER PERCEPTRON UNTUK ANALISIS SENTIMEN ROBLOX DI PLAY STORE

Roblox merupakan platform game online yang memiliki ribuan ulasan pengguna di Google Play Store, di mana ulasan tersebut berpotensi menjadi sumber informasi penting bagi pengembang untuk mengevaluasi kualitas aplikasi. Penelitian ini bertujuan untuk melakukan analisis sentimen terhadap ulasan Roblox guna mengukur tingkat kepuasan pengguna. Pengumpulan data dilakukan melalui crawling dengan metode temporal sampling. Proses pelabelan otomatis menggunakan Indonesian Sentiment Lexicon (InSet) menunjukkan adanya ketidakseimbangan kelas, yaitu 2.469 ulasan bersentimen positif dan 404 ulasan bersentimen negatif. Penelitian ini menerapkan metodologi SEMMA (Sample, Explore, Modify, Model, Assess) dan menggunakan ekstraksi fitur Term Frequency-Inverse Document Frequency (TF-IDF). Guna mengatasi ketimpangan data latih, teknik Synthetic Minority Over-sampling Technique (SMOTE) diterapkan sebelum proses klasifikasi. Evaluasi model dilakukan dengan membandingkan performa tiga algoritma, yakni Naïve Bayes, Support Vector Machine (SVM), dan Multilayer Perceptron (MLP) pada empat skenario pembagian data. Hasil pengujian menunjukkan bahwa algoritma SVM dengan skenario data 80:20 menghasilkan performa klasifikasi terbaik, dengan tingkat akurasi sebesar 95,30%, presisi 90,09%, recall 87,64%, dan F1-Score 88,81%, mengungguli metode MLP dan Naïve Bayes. Hasil visualisasi kata turut mengindikasikan bahwa keluhan utama berpusat pada bug dan masalah login, sedangkan apresiasi didominasi oleh aspek interaksi bermain.