Analisis Sentimen Ulasan Pengguna Halodoc Menggunakan Support Vector Machine dengan Seleksi Fitur Information Gain

Aplikasi layanan kesehatan online seperti Halodoc memiliki banyak ulasan pengguna yang mencerminkan kepuasan pengguna terhadap layanan, namun data ulasan tersebut belum sepenuhnya dimanfaatkan untuk memahami presepsi pengguna. Penelitian ini bertujuan untuk menganalisis sentimen ulasan pengguna aplikasi Halodoc menggunakan metode Support Vector Machine (SVM) dengan seleksi fitur Information Gain untuk meningkatkan akurasi klasifikasi. Data yang digunakan berasal dari Google Play Store periode 1 September 2024 hingga 30 September 2025, sebanyak 6229 ulasan. Pemilihan rentang waktu tersebut dilakukan untuk memperoleh data yang relevan dan mencerminkan kondisi terkini penggunaan aplikasi. Proses analisis meliputi preprocessing teks (case folding, cleaning, tokenizing, stopword removal, dan stemming), ekstraksi fitur menggunakan TF-IDF, serta penerapan seleksi fitur dengan Information Gain. Selanjutnya, dilakukan pengujian model SVM untuk membandingkan performa sebelum dan sesudah penerapan seleksi fitur. Hasil pengujian menunjukkan bahwa SVM dengan kernel Radial Basis Function (RBF) memperoleh akurasi sebesar 91% tanpa seleksi fitur, dan tetap 91% setelah penerapan Information Gain. Hasil tersebut menunjukkan bahwa penerapan Information Gain pada penelitian ini tidak meningkatkan akurasi model, namun metode ini mampu mengurangi dimensi fitur sehingga model menjadi lebih sederhana dan efisien. Penelitian ini diharapkan dapat memberikan pemahaman lebih jelas bagi manajemen dan pengembang Halodoc mengenai persepsi pengguna terhadap aplikasi Halodoc serta menjadi dasar perbaikan kualitas layanan.