PERBANDINGAN KINERJA ALGORITMA MACHINE LEARNING KLASIK DALAM ANALISIS SENTIMEN ULASAN PENGGUNA SPOTIFY BERBAHASA INDONESIA DI GOOGLE PLAY STORE

Tesis ini berjudul “Perbandingan Kinerja Algoritma Machine Learning Klasik dalam Analisis Sentimen Ulasan Pengguna Spotify Berbahasa Indonesia di Google Play Store”. Penelitian ini dilakukan karena ulasan pengguna di Google Play Store berjumlah besar, bersifat tidak terstruktur, dan mengandung bahasa informal sehingga sulit dianalisis secara manual. Tujuan penelitian adalah membandingkan kinerja beberapa algoritma machine learning klasik dalam mengklasifikasikan sentimen ulasan menjadi tiga kelas (positif, netral, dan negatif). Data penelitian diperoleh melalui proses scraping sebanyak 20.000 ulasan Spotify berbahasa Indonesia, dengan pelabelan sentimen berbasis rating. Metode analisis mencakup preprocessing teks, representasi fitur menggunakan TF-IDF, serta pengujian lima algoritma klasifikasi, yaitu Naive Bayes, Logistic Regression, Support Vector Machine (SVM), Random Forest, dan XGBoost, termasuk pembandingan fitur TF-IDF berbasis kata (word n-gram) dan berbasis karakter (char_wb). Hasil pengujian menunjukkan bahwa pemilihan algoritma dan representasi fitur memengaruhi performa klasifikasi, terutama karena distribusi kelas tidak seimbang (class imbalance). Oleh karena itu, evaluasi dilakukan tidak hanya menggunakan accuracy, tetapi juga macro-F1. Konfigurasi terbaik pada penelitian ini adalah XGBoost dengan TF-IDF Char (char_wb 3–5) yang menghasilkan test_accuracy 0,8818 dan test_macro-F1 0,5703. Analisis confusion matrix dan classification report menunjukkan performa sangat baik pada kelas positif dan cukup baik pada kelas negatif, namun masih lemah pada kelas netral. Kesimpulan penelitian ini menyatakan bahwa pendekatan machine learning klasik berbasis TF-IDF efektif untuk analisis sentimen ulasan Spotify berbahasa Indonesia, dengan XGBoost + TF-IDF Char sebagai konfigurasi yang paling seimbang pada data uji. Namun, peningkatan kemampuan model dalam mengenali kelas netral secara konsisten masih menjadi tantangan utama pada data yang tidak seimbang.