ANALISIS SENTIMEN PENGGUNA APLIKASI ALFAGIFT PADA GOOGLE PLAY STORE DENGAN METODE SVM DAN OPTIMASI PSO
DOI:
https://doi.org/10.71282/jurmie.v2i10.1068Keywords:
Sentiment Analysis, User Reviews, Alfagift, Support Vector Machine, Particle Swarm OptimizationAbstract
The growth of information technology has driven the widespread use of online shopping applications, including Alfagift, the official app of Alfamart. User reviews of this application on the Google Play Store reflect their perceptions and satisfaction, which, when analyzed correctly, can provide important insights for app developers. This study aims to classify the sentiment of user reviews on the Alfagift app using the Support Vector Machine (SVM) method optimized by the Particle Swarm Optimization (PSO) algorithm. SVM is a widely used algorithm due to its accuracy in classification. To achieve optimal performance, SVM parameters need to be carefully tuned, and Particle Swarm Optimization (PSO) is used as an effective method for this optimization. The data used in this study were obtained from Google Play Store through web scraping using the google-play-scraper library. The initial classification result using SVM without optimization produced an accuracy of 87.25%. After parameter optimization using the PSO algorithm, the accuracy increased to 90.41%. These findings show that the use of PSO significantly improves the performance of sentiment classification models for user reviews. Therefore, the combination of SVM and PSO methods is effective for analyzing user sentiment in the Alfagift app for evaluation and future development purposes.
Downloads
References
Agastya, I. M. A. (2018). Pengaruh Stemmer Bahasa Indonesia Terhadap Peforma Analisis Sentimen Terjemahan Ulasan Film. Jurnal Tekno Kompak, 12(1), 18. https://doi.org/10.33365/jtk.v12i1.70
Agustini, P., Choiriyah, C., & Fadilla, F. (2023). Analisa Peran Aplikasi Alfagift Terhadap Peninngkatan Penjualan Pada Masa Pandemi Covid-19 Di Palembang (Studi Kasus Toko Alfamart Cabang Mayor Ruslan). Jurnal Ilmiah Mahasiswa Perbankan Syariah (JIMPA), 3(1), 27–40. https://doi.org/10.36908/jimpa.v3i1.114
Amini, N. (2023). Menggunakan Algoritma Klasifikasi Support Vector Machine Dengan Optimasi Particle Swarm Optimization ( Studi Kasus : Indonesian Twitter Emotion Dataset ) Program Studi Teknik Informatika 2023 M / 1445 H.
Arsi, P., & Waluyo, R. (2021). Analisis sentimen wacana pemindahan ibu kota Indonesia menggunakan algoritma Support Vector Machine (SVM). Jurnal Teknologi Informasi dan Ilmu Komputer, 8(1), 147.
Darmawan, R., Indra, I., & Surahmat, A. (2022). Optimalisasi Support Vector Machine (SVM) Berbasis Particle Swarm Optimization (PSO) Pada Analisis Sentimen Terhadap Official Account Ruang Guru di Twitter. Jurnal Kajian Ilmiah, 22(2), 143–152. https://doi.org/10.31599/jki.v22i2.1130
Dewi, S. K., Rahmawati, D. D., & Sari, A. P. (2024). Analisis Sentimen Komentar pada Postingan Instagram " StandWithUs " Menggunakan Klasifikasi Naive Baye. 2.
Dwiyansaputra, R., Murpratiwi, S. I., & Aranta, A. (2025). Analisis Sentimen Pada Pengguna Aplikasi X Terhadap Pemilihan Umum Presiden 2024 Menggunakan Metode Convolutional Neural Network ( CNN ). 9(1), 635–642.
Haq, L. N., & Mulyani, A. (2025). Analisis Sentimen Aplikasi Jakone Mobile Pada Google Play. 9(1), 1–9.
Harpizon, H. A. R., Kurniawan, R., Iskandar, I., Salambue, R., Budianita, E., & Syafria, F. (2022). Analisis sentimen komentar di YouTube tentang ceramah Ustadz Abdul Somad menggunakan algoritma Naïve Bayes. JNKTI (Jurnal Nasional Komputasi dan Teknologi Informasi), 5(1), 131–140.
Hudha, M., Supriyati, E., & Listyorini, T. (2022). Analisis sentimen pengguna YouTube terhadap tayangan #MataNajwaMenantiTerawan dengan metode Naïve Bayes Classifier. JIKO (Jurnal Informatika dan Komputer), 5(1), 1–6.
Kurniawan, S. (2022). Analysis of Google Play Store Datasets Using the Exploratory Data Analysis (EDA) Method. December. https://doi.org/10.13140/RG.2.2.14192.12808
Mursianto, G. A., Widiyanto, D., & Wahyono, B. T. (2022). Analisis Sentimen Ulasan Pengguna Pada Aplikasi Google Classroom Menggunakan Metode SVM Dan Seleksi Fitur PSO. Informatik : Jurnal Ilmu Komputer, 18(3), 221. https://doi.org/10.52958/iftk.v18i3.4685
Nuraliza, H., Pratiwi, O. N., & Hamami, F. (2022). Analisis sentimen IMDb film review dataset menggunakan Support Vector Machine (SVM) dan seleksi feature importance. Jurnal Mirai Manajemen, 7(1), 1–17.
Purbolaksono, M. D., Irvan Tantowi, M., Imam Hidayat, A., & Adiwijaya, A. (2021). Perbandingan Support Vector Machine dan Modified Balanced Random Forest dalam Deteksi Pasien Penyakit Diabetes. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 5(2), 393–399. https://doi.org/10.29207/resti.v5i2.3008
Putrawansyah, F. (2024). Penerapan Metode Support Vector Machine Terhadap Klasifikasi Jenis Jambu Biji. JIKO (Jurnal Informatika Dan Komputer), 8(1), 193. https://doi.org/10.26798/jiko.v8i1.988
Que, V. K. S., Iriani, A., & Purnomo, H. D. (2020). Analisis Sentimen Transportasi Online Menggunakan Support Vector Machine Berbasis Particle Swarm Optimization. Jurnal Nasional Teknik Elektro Dan Teknologi Informasi, 9(2), 162–170. https://doi.org/10.22146/jnteti.v9i2.102
Reggina Wike Anjani. (2023). Implementasi Digital Marketing Dalam Mengembangkan Strategi Bisnis Digital Di Era Transformasi Digital. Interdisiplin: Journal of Qualitative and Quantitative Research, 1(1), 29–40. https://doi.org/10.61166/interdisiplin.v1i1.4
Restya, B., & Cahyono, N. (2025). Optimasi Metode Klasifikasi Menggunakan FastText dan Grid Search pada Aanalisi Sentimen Ulasan Aplikasi SeaBank Optimization of Classification Method Using FastText and Grid Search for Sentiment Analysis of SeaBank App Reviews. 1, 226–238. https://doi.org/10.26798/jiko.v9i1.1523
Rifaldi, D., Abdul Fadlil, & Herman. (2023). Teknik Preprocessing Pada Text Mining Menggunakan Data Tweet “Mental Health.” Decode: Jurnal Pendidikan Teknologi Informasi, 3(2), 161–171. https://doi.org/10.51454/decode.v3i2.131
Rinandyaswara, R., Sari, Y. A., & Furqon, M. T. (2022). Pembentukan Daftar Stopword Menggunakan Term Based Random Sampling Pada Analisis Sentimen Dengan Metode Naïve Bayes (Studi Kasus: Kuliah Daring Di Masa Pandemi). Jurnal Teknologi Informasi Dan Ilmu Komputer, 9(4), 717. https://doi.org/10.25126/jtiik.2022934707
Saputra, A. C., & Saragih, A. S. (2022). Klasifikasi Rating Aplikasi Android Di Google Play Store Menggunakan Algoritma Gradient Boost Agus Sehatman Saragih. Oktober, 6(1), 18–29.
Sandryan, M. K., Rahayudi, B., & Ratnawati, D. E. (2021). Analisis sentimen pada media sosial Twitter terhadap Undang-Undang Cipta Kerja menggunakan algoritma Backpropagation dan Term Frequency–Inverse Document Frequency. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 5(12), 5349–5355.
Sari, A. E., Widowati, S., & Lhaksmana, K. M. (2019). Klasifikasi Ulasan Pengguna Aplikasi Mandiri Online di Google Play Store dengan Menggunakan Metode Information Gain dan Naive Bayes ClassifierSari, A. E., Widowati, S., & Lhaksmana, K. M. (2019). Klasifikasi Ulasan Pengguna Aplikasi Mandiri Online di Goog. E-Proceeding of Engineering, 6(2), 9143–9157. https://openlibrarypublications.telkomuniversity.ac.id/index.php/engineering/article/viewFile/9933/9790
Septiani, D., & Isabela, I. (2023). Analisis Term Frequency Inverse Document Frequency (TF-IDF) Dalam Temu Kembali Informasi Pada Dokumen Teks. SINTESIA: Jurnal Sistem Dan Teknologi Informasi Indonesia, 1(2), 81–88.
Sugihartono, T., & Putra, R. R. C. (2024). Penerapan Metode Support Vector Machine Dalam Classifikasi Ulasan Pengguna Aplikasi Mobile Jkn. Skanika: Sistem Komputer Dan Teknik Informatika, 7(2), 144–153. https://doi.org/10.36080/skanika.v7i2.3193
Suherlan, M. R., Asriyanik, A., & Pambudi, A. (2023). UMMIBOT sebagai Media Layanan Informasi Penerimaan Mahasiswa Baru Universitas Muhammadiyah Sukabumi. Jurnal Informatika Terpadu, 9(2), 82–91. https://doi.org/10.54914/jit.v9i2.893
Tirta Nugraha, M., Nina Sulistiyowati, N., & Ultach Enri, U. (2024). Analisis Sentimen Ulasan Aplikasi Satu Sehat Pada Google Play Store Menggunakan Naïve Bayes Classifier. JATI (Jurnal Mahasiswa Teknik Informatika), 7(5), 3593–3601. https://doi.org/10.36040/jati.v7i5.7753
Ummah, M. S. (2019). No 主観的健康感を中心とした在宅高齢者における 健康関連指標に関する共分散構造分析Title. Sustainability (Switzerland), 11(1), 1–14. http://scioteca.caf.com/bitstream/handle/123456789/1091/RED2017-Eng-8ene.pdf?sequence=12&isAllowed=y%0Ahttp://dx.doi.org/10.1016/j.regsciurbeco.2008.06.005%0Ahttps://www.researchgate.net/publication/305320484_SISTEM_PEMBETUNGAN_TERPUSAT_STRATEGI_MELESTARI
Vanneschi, L., & Silva, S. (2023). Particle Swarm Optimization. Natural Computing Series, 105–111. https://doi.org/10.1007/978-3-031-17922-8_4
Wahyudi, R., & Kusumawardana, G. (2021). Analisis Sentimen pada Aplikasi Grab di Google Play Store Menggunakan Support Vector Machine. Jurnal Informatika, 8(2), 200–207. https://doi.org/10.31294/ji.v8i2.9681
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Salsabilatul Ma’wa, Desiana Nur Kholifah (Author)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
