Analisis Sentimen Terhadap Ulasan Penggunaan Aplikasi Game Online Playerunknown's Battlegrounds (Pubg) Mobile Menggunakan Algoritma Naive Bayes

Abstract

Pertumbuhan industri game mobile yang pesat mendorong semakin banyaknya pengguna yang memberikan ulasan terhadap aplikasi di platform distribusi seperti Google Play Store. Salah satu aplikasi yang banyak menerima ulasan adalah PUBG Mobile. Ulasan-ulasan ini umumnya bersifat tidak terstruktur dan ditulis dalam bentuk teks bebas, sehingga memerlukan analisis sentimen  untuk memahami secara menyeluruh persepsi pengguna. Tujuan Penelitian untuk mengklasifikasikan sentimen pengguna terhadap aplikasi PUBG Mobile dalam tiga kategori, yaitu sentimen positif, negatif, dan netral menggunakan algoritma Naive Bayes. Sebanyak 1.999 data ulasan berbahasa Indonesia diambil dari Google Play Store sebagai data penelitian. Tahapan awal dilakukan preprocessing teks, yang mencakup proses cleaning, normalisasi, tokenisasi, stemming, dan pembobotan menggunakan TF-IDF. Mengingat ketidakseimbangan jumlah data antar kelas, khususnya pada kelas netral, dilakukan penanganan data menggunakan metode Synthetic Minority Oversampling Technique (SMOTE) pada data latih. Model dibangun menggunakan algoritma Multinomial Naive Bayes dengan pembagian data latih dan uji sebesar 80:20. Hasil pengujian tanpa SMOTE menghasilkan akurasi sebesar 70% namun tidak mampu mengenali kelas netral. Setelah SMOTE diterapkan, akurasi menurun menjadi 59%, tetapi model mulai mampu mengenali seluruh kelas, termasuk netral. Hasil ini menunjukkan bahwa metode SMOTE dapat meningkatkan sensitivitas model terhadap kelas minoritas dan membuat distribusi klasifikasi menjadi lebih seimbang.