Penerapan Algoritma Naive Bayes dalam Analisis Sentimen Ulasan Aplikasi KitaLulus di Google Play Store

Abstract

Aplikasi pencarian kerja daring semakin berkembang dan memegang peranan penting dalam memenuhi kebutuhan pencari kerja di Indonesia. Aplikasi KitaLulus, salah satu platform unggulan, menghadapi tantangan berupa ulasan pengguna di Google Play Store yang mengindikasikan adanya kendala teknis, ketidakresponsifan layanan, dan kurangnya informasi lowongan pekerjaan. Penelitian ini bertujuan untuk menganalisis sentimen ulasan pengguna terhadap aplikasi KitaLulus dengan menerapkan algoritma Naive Bayes. Data dikumpulkan melalui metode web scraping dari 1.000 ulasan yang diperoleh antara September hingga November 2024. Proses pra-pemrosesan data meliputi pembersihan teks, tokenisasi, penghapusan stopword, dan stemming, sehingga ulasan dapat diklasifikasikan ke dalam tiga kategori sentimen: positif, netral, dan negatif. Evaluasi model dilakukan menggunakan confusion matrix dengan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan mayoritas ulasan bersifat positif, meskipun terdapat sejumlah ulasan negatif yang mengeluhkan performa aplikasi dan keterbatasan fitur. Model Naive Bayes mencapai akurasi 88%, presisi 87%, recall 88%, dan F1-score 85%. Keunggulan metode ini terletak pada efisiensi pengolahan data teks berukuran besar dengan komputasi yang lebih ringan dibandingkan metode lain seperti KNN dan SVM. Penelitian ini memberikan kontribusi signifikan bagi pengembangan aplikasi, meningkatkan kualitas layanan, dan memperkaya literatur analisis sentimen dalam bidang teknologi informasi. Temuan penelitian ini diharapkan menjadi dasar utama pengembangan strategi inovatif bagi masyarakat.