Analisis Sentimen Pada Ulasan Pengguna Aplikasi Mimo Menggunakan Algoritma Support Vector Machine

Perkembangan teknologi digital telah mendorong munculnya berbagai aplikasi pembelajaran berbasis mobile, salah satunya adalah Mimo: Learn to Code yang membantu pengguna mempelajari bahasa pemrograman secara interaktif, namun beragam ulasan pengguna menuntut analisis sentimen yang lebih sistematis. Penelitian ini bertujuan mengidentifikasi kecenderungan opini pengguna terhadap aplikasi Mimo melalui pendekatan text mining dengan membandingkan dua kamus leksikon, yaitu lexicon Inset (Indonesian Sentiment) dan lexicon Senti Strength-Id. Tahap pelabelan sentimen dilakukan menggunakan lexicon InSet dan lexicon Senti Strength-Id, kemudian teks direpresentasikan menggunakan metode TF-IDF (Term Frequency–Inverse Document Frequency) sebelum diklasifikasikan dengan algoritma SVM. Metode TF-IDF diterapkan untuk mengekstraksi bobot kata sehingga dapat meningkatkan kinerja SVM dalam proses klasifikasi. Selain itu, teknik SMOTE (Synthetic Minority Over-sampling Technique) digunakan untuk mengatasi ketidakseimbangan kelas yang terbentuk pada data hasil pelabelan menggunakan lexicon Inset maupun lexicon Senti Strength-Id. Ulasan yang dianalisis berasal dari pengguna aplikasi Mimo, dan hasilnya menunjukkan bahwa kedua leksikon menghasilkan dominasi sentimen positif. Model berbasis SVM dengan representasi TF-IDF memberikan performa yang konsisten, di mana SVM Linear yang dilatih menggunakan data berlabel lexicon Senti Strength-Id menghasilkan akurasi tertinggi dengan akurasi 89,80% dibandingkan dengan Lexicon Inset dengan akurasi 89,14%. Secara keseluruhan, penelitian ini menunjukkan bahwa lexicon Senti Strength-Id lebih efektif dibandingkan lexicon Inset dalam mendukung kinerja SVM.