KHALDA, khansa (2026) Analisis Sentimen Ulasan Pengguna Aplikasi Getcontact di Google Play Store menggunakan Metode InSet Lexicon dan Support Vector Machine dengan Perbandingan Kernel. Skripsi thesis, Universitas Jenderal Soedirman.

	PDF (Cover) COVER-Khansa Khalda-H1D022086-Skripsi-2025.pdf Download (48kB)
	PDF (Legalitas) LEGALITAS-Khansa Khalda-H1D022086-Skripsi-2025.pdf Restricted to Repository staff only Download (1MB)
	PDF (Abstrak) ABSTRAK-Khansa Khalda-H1D022086-Skripsi-2025.pdf Download (167kB)
	PDF (BabI) BAB-I-Khansa Khalda-H1D022086-Skripsi-2025.pdf Restricted to Repository staff only until 14 January 2027. Download (63kB)
	PDF (BabII) BAB-II-Khansa Khalda-H1D022086-Skripsi-2025.pdf Restricted to Repository staff only until 14 January 2027. Download (418kB)
	PDF (BabIII) BAB-III-Khansa Khalda-H1D022086-Skripsi-2025.pdf Restricted to Repository staff only until 14 January 2027. Download (5MB)
	PDF (BabIV) BAB-IV-Khansa Khalda-H1D022086-Skripsi-2025.pdf Restricted to Repository staff only Download (6MB)
	PDF (BabV) BAB-V-Khansa Khalda-H1D022086-Skripsi-2025.pdf Download (166kB)
	PDF (DaftarPustaka) DAFTAR PUSTAKA-Khansa Khalda-H1D022086-Skripsi-2025.pdf Download (190kB)

Abstract

Keamanan komunikasi digital di Indonesia menghadapi tantangan besar akibat meningkatnya spam call, penipuan telepon, dan kebocoran data pribadi. Hiya Global Call Threat Report mencatat bahwa Indonesia menjadi negara dengan spam call tertinggi di Asia Pasifik sejak 2023 hingga 2025, yang turut menurunkan kepercayaan masyarakat terhadap aplikasi pengelola data sensitif. Dalam situasi ini, aplikasi pendeteksi penelepon seperti Getcontact banyak digunakan, namun efektivitasnya dalam memberikan keamanan dan kenyamanan pengguna masih perlu dikaji. Penelitian ini bertujuan untuk menganalisis sentimen pengguna terhadap Getcontact berdasarkan ulasan Google Play Store serta mengevaluasi performa model klasifikasi dalam membedakan ulasan positif dan negatif. Selain analisis, penelitian ini juga menghasilkan implementasi sistem analisis sentimen yang mencakup fitur proses analisis, pencarian sentimen, analisis tren sentimen, dan analisis permasalahan yang berkaitan dengan latar belakang penelitian. Sebanyak 40.376 ulasan diproses melalui tahap normalisasi dan diberi label menggunakan InSet Lexicon, menghasilkan 6.678 ulasan positif dan 31.201 ulasan negatif. Proses klasifikasi dilakukan menggunakan algoritma Support Vector Machine (SVM), yaitu metode pembelajaran mesin yang bekerja dengan mencari batas pemisah paling optimal untuk membedakan dua kelas data. Klasifikasi berbasis TF-IDF ini kemudian dibandingkan menggunakan dua jenis kernel, yaitu Linear dan Radial Basis Function (RBF). Hasil optimasi menunjukkan bahwa kernel Linear memiliki parameter terbaik C = 1, sedangkan kernel RBF mencapai performa optimal pada kombinasi C = 100 dan γ (Gamma) = 0.1. Dari seluruh rasio data yang diuji, pembagian data 80:20 memberikan hasil terbaik, di mana kernel RBF memperoleh akurasi sebesar 96,20%, mengungguli kernel Linear dengan akurasi 95,90%. Temuan ini menunjukkan bahwa kernel RBF lebih efektif dalam menangkap pola bahasa kompleks, sementara analisis sentimen mengungkapkan dominasi ulasan negatif, terutama terkait kebijakan premium, privasi data, dan ketidakakuratan tagar.

Actions (login required)

View Item