Analisis Sentimen Ulasan Pengguna Game Honor of Kings Menggunakan Support Vector Machine (SVM)
Downloads
Ulasan pengguna di platform game seluler memberikan wawasan berharga mengenai kepuasan pengguna, namun sulit dianalisis secara manual karena volumenya yang besar dan sifatnya yang tidak terstruktur. Penelitian ini bertujuan untuk membangun dan mengevaluasi model klasifikasi sentimen pada ulasan pengguna Honor of Kings menggunakan pendekatan machine learning. Metode penelitian yang digunakan adalah eksperimen kuantitatif dengan data sebanyak 3.500 ulasan berbahasa Indonesia yang diperoleh dari Google Play Store. Tahapan preprocessing meliputi pembersihan data, normalisasi, stemming, stopword removal, dan tokenisasi. Data kemudian diterjemahkan ke dalam Bahasa Inggris dan dilabeli menggunakan pendekatan berbasis leksikon dengan TextBlob. Ekstraksi fitur dilakukan menggunakan metode TF-IDF, dan klasifikasi dilakukan menggunakan Support Vector Machine (SVM) dengan kernel linear. Hasil penelitian menunjukkan bahwa model mencapai akurasi sebesar 86,86%, yang menunjukkan kemampuan yang baik dalam mengklasifikasikan sentimen positif dan negatif. Temuan ini menunjukkan bahwa kombinasi TF-IDF dan SVM masih efektif untuk analisis sentimen pada dataset teks berbahasa Indonesia. Namun, terdapat keterbatasan dalam memahami konteks semantik serta potensi bias akibat proses translasi. Penelitian selanjutnya disarankan menggunakan pendekatan berbasis deep learning dan pelabelan manual untuk meningkatkan akurasi model.
Adelia Irawan, F., Rialdy Atmadja, A., Wahana, A., & Universitas Islam Negeri Sunan Gunung Djati Bandung. (2024). Analisis sentimen ulasan aplikasi bank digital menggunakan algoritma Naive Bayes.
Ariq, H. (2025). Analisis sentimen ulasan produk untuk mengukur kepuasan pelanggan e-commerce menggunakan metode natural language processing (NLP) dan support vector machine (SVM). JPNM: Jurnal Pustaka Nusantara Multidisiplin, 3. https://doi.org/10.59945/jpnm.v3i3.739
Basri, F. E. (2024). E-sport dalam industri game menjadi strategi soft diplomacy untuk memperkuat pertumbuhan perekonomian China. Al-Mutsla, 6(1), 268–280. https://doi.org/10.46870/jstain.v6i1.1042
Ertansyah, G., Kusuma, R., & Sari, A. (2025). Analisis sentimen pada media sosial menggunakan teknik natural language processing. Prosiding Seminar Nasional Teknologi Informasi dan Bisnis, 183–189. https://doi.org/10.47701/qgcey104
Hartatik, H. (2024). Enhancing customer experience in e-commerce through lexicon and TextBlob sentiment analysis. West Science Social and Humanities Studies, 2(7), 1237–1245. https://doi.org/10.58812/wsshs.v2i07.1747
Hasibuan, M. S., & Serdano, A. (2022). Analisis sentimen kebijakan pembelajaran tatap muka menggunakan support vector machine dan Naive Bayes. JRST (Jurnal Riset Sains dan Teknologi), 6(2), 199. https://doi.org/10.30595/jrst.v6i2.15145
Ipmawati, J., Saifulloh, S., & Kusnawi, K. (2024). Analisis sentimen tempat wisata berdasarkan ulasan pada Google Maps menggunakan algoritma support vector machine. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 4(1), 247–256. https://doi.org/10.57152/malcom.v4i1.1066
Kumar, V., & Dalal, M. (2025). Constitutional morality in the digital age: AI surveillance and privacy concerns. Journal of Multidisciplinary Knowledge, 5(2), 212–220. https://doi.org/10.36676/jmk.v5.i2.147
Kurniasari, D., Hdiana, Y. Z., Lumbanraja, F. R., Warsono, W., & Hadi, N. A. (2025). Understanding consumer sentiments: A TextBlob-based sentiment analysis study. Integra: Journal of Integrated Mathematics and Computer Science, 2(3), 81–88. https://doi.org/10.26554/integrajimcs.20252340
Laia, Y., Berutu, S. S., Sumihar, Y. P., & Budiati, H. (2024). Implementasi library TextBlob dan metode support vector machine pada analisis sentimen pelanggan terhadap jasa transportasi online. Building of Informatics, Technology and Science (BITS), 6(1). https://doi.org/10.47065/bits.v6i1.5090
Maulana, I., Apriandari, W., & Pambudi, A. (2023). Analisis sentimen berbasis aspek terhadap ulasan aplikasi MyPertamina menggunakan support vector machine. http://jom.fti.budiluhur.ac.id/index.php/IDEALIS/index
Murhadi, W. (2025). Metode penelitian: Pendekatan kuantitatif dan kualitatif. https://repository.ubaya.ac.id/48121/
Pamungkas, A. S., & Cahyono, N. (2024). Analisis sentimen review ChatGPT di Play Store menggunakan support vector machine dan K-nearest neighbor. Edumatic: Jurnal Pendidikan Informatika, 8(1), 1–10. https://doi.org/10.29408/edumatic.v8i1.24114
Ramdan Adi Surya, M., Martanto, M., & Hayati, U. (2024). Analisis sentimen ulasan pengguna OVO menggunakan algoritma Naive Bayes pada Google Play Store. JATI (Jurnal Mahasiswa Teknik Informatika), 8(3), 2780–2786. https://doi.org/10.36040/jati.v8i3.8739
Ramlan, R., Satyahadewi, N., & Andani, W. (2023). Analisis sentimen pengguna Twitter menggunakan support vector machine pada kasus kenaikan harga BBM. Jambura Journal of Mathematics, 5(2), 431–445. https://doi.org/10.34312/jjom.v5i2.20860
Rhomaningtias, L., Khairunisa, A., Wara, S. S. M., & Hindrayani, K. M. (2025). Analisis sentimen ulasan aplikasi Smile Indonesia menggunakan metode Naive Bayes dan support vector machine (SVM). HOAQ (High Education of Organization Archive Quality): Jurnal Teknologi Informasi, 16(1), 79–91. https://doi.org/10.52972/hoaq.vol16no1.p79-91
Rohmah, M., Ismail, K., Rahmadani, R., Masitoh, G., & Putri, D. A. P. (2024). Inovasi dan transformasi industri dalam mendorong pertumbuhan ekonomi Indonesia. Jurnal Neraca: Jurnal Pendidikan dan Ilmu Ekonomi Akuntansi, 8(1), 43–52. https://doi.org/10.31851/neraca.v8i1.14391
Seno, B. A., Widodo, & Adhi, B. P. (2024). Penerapan algoritma support vector machine untuk mendeteksi emosi dari teks bahasa Indonesia. PINTER: Jurnal Pendidikan Teknik Informatika dan Komputer, 8(1), 72–80. https://doi.org/10.21009/pinter.8.1.8
Sugiyono. (2022). Metode penelitian kuantitatif, kualitatif, dan R&D (27th ed.). Alfabeta.
Witanti, A., Yogyakarta Jl Raya Wates-Jogjakarta, B., Sedayu, K., Bantul, K., & Istimewa Yogyakartalamat, D. (2022). Analisis sentimen masyarakat terhadap vaksinasi COVID-19 pada media sosial Twitter menggunakan algoritma support vector machine (SVM). Jurnal Sistem Informasi dan Informatika (SIMIKA), 5.
Zahoor, S., & Rohilla, R. (2020). Twitter sentiment analysis using lexical or rule based approach: A case study. In Proceedings of the 2020 IEEE 8th International Conference on Reliability, Infocom Technologies and Optimization (ICRITO) (pp. 537–542). IEEE. https://doi.org/10.1109/ICRITO48877.2020.9197910
Copyright (c) 2026 Khoer Fadilah Fathurokhman, Irving Vitra Paputungan
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution-ShareAlike 4.0 International (CC-BY-SA). that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
