ANALISIS SENTIMEN PENGGUNA APLIKASI CAPCUT MENGGUNAKAN ALGORITMA XGBOOST BERBASIS MACHINE LEARNING
DOI:
https://doi.org/10.52436/1.jpti.2086Keywords:
Analisis Sentimen, CapCut, XGBoost, Machine Learning, TF-IDFAbstract
Perkembangan teknologi digital mendorong meningkatnya penggunaan aplikasi berbasis mobile, salah satunya aplikasi pengeditan video seperti CapCut. CapCut menjadi aplikasi yang populer karena menyediakan berbagai fitur editing yang mudah digunakan untuk membuat konten digital secara kreatif dan praktis. Tingginya jumlah pengguna menyebabkan banyaknya ulasan yang diberikan melalui Google Play Store, baik berupa komentar positif, netral, maupun negatif. Ulasan tersebut dapat dimanfaatkan untuk mengetahui tingkat kepuasan serta persepsi pengguna terhadap kualitas aplikasi. Namun, jumlah data yang besar membuat analisis manual kurang efisien dan membutuhkan waktu yang lama. Oleh karena itu, penelitian ini bertujuan untuk menganalisis sentimen pengguna aplikasi CapCut menggunakan algoritma XGBoost berbasis machine learning. Penelitian dilakukan melalui tahapan pengumpulan data menggunakan teknik web scraping, preprocessing teks, ekstraksi fitur menggunakan metode TF-IDF, serta klasifikasi sentimen ke dalam kategori positif, netral, dan negatif. Hasil penelitian menunjukkan bahwa dari 2.582 ulasan yang berhasil dianalisis, sentimen netral mendominasi sebesar 40,40%, diikuti sentimen positif sebesar 35,44%, dan sentimen negatif sebesar 24,17%. Model XGBoost yang dibangun memperoleh akurasi sebesar 80% dengan nilai precision, recall, dan F1-score rata-rata masing-masing sebesar 0,81, 0,80, dan 0,80. Hasil tersebut menunjukkan bahwa algoritma XGBoost mampu mengklasifikasikan sentimen pengguna aplikasi CapCut dengan baik dan dapat digunakan sebagai alat bantu untuk memahami persepsi pengguna terhadap aplikasi. Penerapan algoritma XGBoost pada ulasan pengguna aplikasi CapCut berbahasa Indonesia memberikan alternatif metode klasifikasi yang memiliki performa baik dalam mendukung evaluasi kualitas aplikasi berbasis data ulasan pengguna. Temuan penelitian ini juga memberikan manfaat praktis bagi pengembang aplikasi dalam mengidentifikasi kecenderungan opini pengguna secara lebih cepat, objektif, dan akurat sebagai dasar pengambilan keputusan untuk pengembangan fitur maupun peningkatan kualitas layanan.
Downloads
References
F. A. Indriyani, A. Fauzi, and S. Faisal, “Analisis Sentimen Aplikasi TikTok Menggunakan Algoritma Naive Bayes dan Support Vector Machine,” TEKNOSAINS, vol. 10, no. 2, pp. 176–184, 2023.
M. Y. R. Gaja, I. Maulana, and O. Komarudin, “Analisis Sentimen Opini Pengguna Aplikasi Vidio pada Ulasan Google Play Store Menggunakan Algoritma Naive Bayes,” JATI, vol. 7, no. 4, pp. 2767–2774, 2023.
S. N. S. Muslim, F. Nurdiansyah, and A. Y. Rahman, “Perbandingan Algoritma Naive Bayes dan KNN dalam Analisis Sentimen Ulasan Pengguna Aplikasi CapCut,” JITET, vol. 12, no. 3S1, pp. 3588–3595, 2024.
D. S. Putri and T. Ridwan, “Analisis Sentimen Ulasan Aplikasi Pospay dengan Algoritma Support Vector Machine,” Jurnal Ilmiah Informatika, vol. 11, no. 1, pp. 32–40, 2023.
R. O. Mardiyanto, Kusrini, and F. W. Wibowo, “Analisis Sentimen Pengguna Aplikasi Bank Syariah Indonesia dengan Menggunakan Algoritma Support Vector Machine (SVM),” TEKNIMEDIA, vol. 4, no. 1, pp. 9–15, 2023.
A. F. Haikal and Y. Nuryaman, “Sentiment Analysis of Transjakarta App Reviews Using the Naive Bayes Algorithm,” Journal of Artificial Intelligence and Engineering Applications, vol. 5, no. 1, 2025.
N. A. Puspita, F. T. Anggraeny, and A. M. Rizki, “Analisis Sentimen dengan Algoritma Naïve Bayes Classifier terhadap Ulasan Aplikasi My F&B ID,” JATI, vol. 8, no. 1, 2024.
M. N. Ramadhani, K. D. Tania, and M. Afrina, “Knowledge Discovery in Sharia Mobile Banking Reviews Using Aspect-Based Sentiment Analysis and Machine Learning,” JAIC, vol. 10, no. 1, pp. 640–650, 2026.
D. A. Andriati, R. L. S. Putra, and G. D. Saputra, “Analisis Sentimen Komentar Pengguna Aplikasi Klik Indomaret di Google Play Store Menggunakan Metode SVM,” Jatilima, vol. 7, no. 3, 2025.
F. N. Firzatullah and Nuroji, “Analisis Sentimen Pengguna Aplikasi Byond BSI Pada Google Play Store Menggunakan Algoritma SVM dan Random Forest,” METIK Jurnal, vol. 9, no. 2, 2025.
M. Nahdhudin, N. C. H. Wibowo, M. R. Handayani, and K. Umam, “Klasifikasi Sentimen Masyarakat Terhadap Aplikasi TikTok Menggunakan Algoritma Naive Bayes,” JUTEKOM, vol. 1, no. 3, 2025.
A. Setiawan and F. N. Hasan, “Analisis Sentimen Tanggapan Pengguna Aplikasi Bale by BTN Menggunakan Metode Support Vector Machine (SVM),” STORAGE, vol. 4, no. 4, 2025.
R. K. P. Ramadani, A. S. Wicaksana, and N. Hidayatun, “Analisis Sentimen Ulasan Pengguna Aplikasi Atma Menggunakan Algoritma Naïve Bayes,” Jurnal TICOM, vol. 14, no. 1, 2025.
D. N. Fahria, K. D. Tania, and R. D. Kurnia, “Analisis Komparatif Algoritma Random Forest, XGBoost, dan CatBoost untuk Klasifikasi Tingkat Stres Pengguna Media Sosial,” RABIT, vol. 11, no. 1, 2026.
I. R. A. Vidiantara, R. Yanuarti, and B. S. Rintyarna, “Analisis Sentimen Pasien terhadap Layanan Antarmedika Dentalcare Menggunakan Metode XGBoost,” JTIIK, vol. 12, no. 6, 2025.
T. A. C. Budianto, B. A. Dermawan, and M. Jajuli, “Analisis Sentimen Ulasan Aplikasi M-Pajak pada Google Play Store Menggunakan XGBoost,” JSIA, vol. 3, no. 1, 2025.
D. A. B. Wardana, L. Muflikhah, and R. S. Perdana, “Analisis Sentimen Ulasan Pengguna Aplikasi MyPertamina pada Google Play Store Menggunakan Metode XGBoost dan Word2Vec Embedding,” J-PTIIK, vol. 9, no. 8, 2025.
Y. Azarya and I. Budi, “Analisis Sentimen Berbasis Aspek Aplikasi BRImo Berdasarkan Ulasan Pengguna di Google Playstore,” Indonesian Journal of Computer Science, vol. 14, no. 1, 2025.
I. M. R. P. Wardana and G. A. V. M. Giri, “Analisis Sentimen Terhadap Ulasan Aplikasi Info BMKG Menggunakan Logistic Regression dan XGBoost,” JNATIA, vol. 4, no. 2, 2026.
N. V. Chawla, K. W. Bowyer, L. O. Hall, and W. P. Kegelmeyer, "SMOTE: Synthetic Minority Over-sampling Technique," Journal of Artificial Intelligence Research, vol. 16, pp. 321–357, 2002.
