ANALISIS SENTIMEN ULASAN PENGGUNA GRAB DI GOOGLE PLAY STORE MENGGUNAKAN METODE LSTM DAN NAÏVE BAYES
DOI:
https://doi.org/10.31539/7hdrhg12Abstract
Seiring dengan berkembangnya teknologi digital, sektor transportasi mengalami perubahan melalui pemanfaatan aplikasi ojek online seperti Grab. Penggunaan aplikasi ini memunculkan berbagai ulasan dari pengguna di Google Play Store, yang secara tidak langsung mencerminkan tingkat kualitas layanan yang diberikan. Ulasan tersebut dapat dimanfaatkan melalui analisis sentimen untuk mengevaluasi tingkat kepuasan pengguna. Penelitian ini difokuskan pada evaluasi dan perbandingan performa algoritma Long Short-Term Memory (LSTM) dan Naïve Bayes dalam mengklasifikasikan sentimen ulasan pengguna aplikasi Grab. Data yang digunakan sebanyak 5.000 ulasan yang diperoleh melalui web scraping, kemudian diproses melalui tahap preprocessing (cleaning, tokenizing, stopword removal, dan stemming), pelabelan sentimen, serta pembobotan TF-IDF. Naïve Bayes digunakan sebagai metode machine learning klasik yang efisien, sedangkan LSTM sebagai metode deep learning mampu memahami konteks dan urutan kata. Hasil penelitian menunjukkan bahwa LSTM memiliki akurasi sebesar 91,45%, sedikit lebih tinggi dibandingkan Naïve Bayes sebesar 91,33%, serta lebih unggul dalam mendeteksi sentimen negatif berdasarkan nilai recall dan F1-score. Temuan ini diharapkan dapat menjadi referensi dalam pengembangan sistem analisis sentimen dan evaluasi kualitas layanan aplikasi transportasi online.
Kata Kunci: Analisis Sentimen, Grab Naïve Bayes, Long Short-Term Memory (LSTM), Klasifikasi Teks.
References
[1] M. Ratri, “Analisis Efektivitas Ojek Online Sebagai Pilihan Moda Transportasi Di Kecematan Tamalanrea,” vol. 4, pp. 2655–7266, 2022, [Online]. Available: https://mail.jurnal.ft.umi.ac.id/index.php/JILMATEKS
[2] R. R. F. Tambunan, J. I. Sihotang, and J. Y. Mambu, “Analisa Tingkat Kepuasan Kerja Driver Maxim Terhadap Sistem Layanan Maxim Dengan Pieces Framework,” CogITo Smart J., vol. 7, no. 2, pp. 339–348, 2021, doi: 10.31154/cogito.v7i2.330.339-348.
[3] H. Taufik, R. Setiawan, and Elianora, “Analisa Kelayakan Finansial Driver Ojek Online (Studi Kasus Grabbike Pekanbaru),” Saintenk (E-Journal), vol. 11, no. 1, 2023.
[4] M. Rizki, T. B. Joewono, and Y. O. Susilo, The influence of app function evolution on transport SuperApp use behaviour over time, no. 0123456789. Springer US, 2024. doi: 10.1007/s11116-024-10485-6.
[5] E. Özer, M. İskefiyeli, and J. Azimjonov, “Toward lightweight intrusion detection systems using the optimal and efficient feature pairs of the Bot-IoT 2018 dataset,” Int. J. Distrib. Sens. Networks, vol. 17, no. 10, 2021, doi: 10.1177/15501477211052202.
[6] A. Simanungkalit, J. P. P. Naibaho, and A. De Kweldju, “Analisis Sentimen Berbasis Aspek Pada Ulasan Aplikasi Shopee Menggunakan Algoritma Naïve Bayes,” Jutisi J. Ilm. Tek. Inform. dan Sist. Inf., vol. 13, no. 1, p. 659, 2024, doi: 10.35889/jutisi.v13i1.1826.
[7] P. A. Kusnadi et al., “FREE FLOW MENGGUNAKAN NAÏVE BAYES CLASSIFIER,” vol. 8, no. 4, pp. 7398–7404, 2024.
[8] D. Fristtikasari, S. Alam, and I. Kurniawan, “Analisis Sentimen Pengguna Aplikasi Kitalulus pada Ulasan Google Play Store Menggunakan Metode Naïve Bayes,” J. Teknol. Inform. dan Komput., vol. 10, no. 2, pp. 458–473, 2024, doi: 10.37012/jtik.v10i2.2244.
[9] A. R. Isnain, H. Sulistiani, B. M. Hurohman, A. Nurkholis, and S. Styawati, “Analisis Perbandingan Algoritma LSTM dan Naive Bayes untuk Analisis Sentimen,” J. Edukasi dan Penelit. Inform., vol. 8, no. 2, p. 299, 2022, doi: 10.26418/jp.v8i2.54704.
[10] A. S. Widagdo, K. N. Qodri, F. E. N. S, and N. A. R. P, “Analisis Sentimen Mobil Listrik di Indonesia Menggunakan Long-Short Term Memory ( LSTM ),” vol. 13, no. 3, pp. 416–423, 2023.
[11] S. J. Pipin and H. Kurniawan, “Analisis Sentimen Kebijakan MBKM Berdasarkan Opini Masyarakat di Twitter Menggunakan LSTM,” vol. 23, no. 2, pp. 197–208, 2022.
[12] R. Rahman and F. A. Sutanto, “Data Mining Untuk Memprediksi Tingkat Kepuasan Konsumen Gojek Menggunakan Algoritma Naive Bayes,” J. Interkom J. Publ. Ilm. Bid. Teknol. Inf. dan Komun., vol. 18, no. 1, pp. 8–18, 2023, doi: 10.35969/interkom.v18i1.280.
[13] H. Chyntia Morama, D. E. Ratnawati, and I. Arwani, “Analisis Sentimen berbasis Aspek terhadap Ulasan Hotel Tentrem Yogyakarta menggunakan Algoritma Random Forest Classifier,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 6, no. 4, pp. 1702–1708, 2022, [Online]. Available: http://j-ptiik.ub.ac.id
[14] M. N. Muttaqin and I. Kharisudin, “Analisis Sentimen Pada Ulasan Aplikasi Gojek Menggunakan Metode Support Vector Machine dan K Nearest Neighbor,” UNNES J. Math., vol. 10, no. 2, pp. 22–27, 2021, [Online]. Available: http://journal.unnes.ac.id/sju/index.php/ujm
[15] S. A. Kumar, M. M. Nasralla, I. García-Magariño, and H. Kumar, “A machine-learning scraping tool for data fusion in the analysis of sentiments about pandemics for supporting business decisions with human-centric AI explanations,” PeerJ Comput. Sci., vol. 7, pp. 1–18, 2021, doi: 10.7717/PEERJ-CS.713.
[16] L. M. Azizah, D. B. Ajipratama, N. A. R. Putri, and C. Damarjati, “Analisa Sentimen Masyarakat Terhadap Kebijakan Vaksinasi Covid-19 Di Indonesia Pada Twitter Menggunakan Algoritma LSTM La,” J. IPTEKKOM J. Ilmu Pengetah. Teknol. Inf., vol. 24, no. 2, pp. 161–172, 2022, doi: 10.17933/iptekkom.24.2.2022.161-172.
[17] M. K. Insan, U. Hayati, and O. Nurdiawan, “Analisis Sentimen Aplikasi Brimo Pada Ulasan Pengguna Di,” J. Mhs. Tek. Inform., vol. 7, no. 1, pp. 478–483, 2023.
[18] A. I. Tanggraeni and M. N. N. Sitokdana, “Analisis Sentimen Aplikasi E-Government pada Google Play Menggunakan Algoritma Naïve Bayes,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 9, no. 2, pp. 785–795, 2022, doi: 10.35957/jatisi.v9i2.1835.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Mahima Cinta Hage, Pratyaksa Ocsa Nugraha Saian
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
