Analisis Sentimen Berbasis Aspek pada Ulasan Game Mobile Legends dengan Pendekatan Decision Tree untuk Evaluasi Pengalaman Pengguna
DOI:
https://doi.org/10.52436/1.jpti.465Keywords:
Analisis Sentimen, Aspek base, Decision Tree, Mobile LegendAbstract
Mobile Legends Bang Bang telah menjadi salah satu game mobile yang paling digemari di dunia dalam beberapa tahun terakhir. Dengan jumlah unduhan yang mencapai jutaan di Google Play Store, game ini berhasil memikat perhatian pemain dari berbagai belahan dunia. Popularitasnya didorong oleh berbagai aspek, seperti grafis yang memukau, mekanisme permainan yang menarik, serta penyelenggaraan turnamen esport berskala besar. Namun, dibalik kesuksesan tersebut, game ini juga tidak lepas dari kontroversi, termasuk masalah terkait pengalaman bermain dan perilaku toxic di kalangan pemainnya. Analisis sentimen dilakukan dengan memanfaatkan komentar pengguna Mobile Legends yang tersedia di Play Store. Komentar-komentar tersebut mencakup berbagai aspek, seperti mekanisme permainan, kualitas grafis, keseimbangan karakter, hingga fitur-fitur terbaru. Tujuan utama dari analisis ini adalah untuk memahami bagaimana pemain merespons game ini, baik dari sisi kepuasan maupun kekhawatiran mereka. Dalam penelitian ini, algoritma Decision Tree diterapkan untuk mengklasifikasikan sentimen setiap ulasan pengguna ke dalam kategori positif, negatif, atau netral. Pendekatan ini memungkinkan identifikasi pola sentimen positif, netral, dan negatif, yang memberikan gambaran mendalam mengenai persepsi pengguna terhadap berbagai aspek game. Berdasarkan hasil eksperimen, sistem berhasil mengklasifikasikan ulasan game Mobile Legends dengan akurasi tinggi, mencapai 91.54%. Temuan ini menunjukkan bahwa sistem yang dikembangkan dapat dimanfaatkan oleh peneliti untuk mengelompokkan ulasan pengguna secara lebih efektif.
Downloads
References
D. Kusnanda and A. Permana, “Implementation of Naive Bayes Classifier (NBC) for Sentiment Analysis on Twitter in Mobile Legends,” International Journal of Science, Technology & Management, vol. 4, no. 5, 2023, doi: 10.46729/ijstm.v4i5.935.
A. I. Hamdani, “Gaya Komunikasi Komunitas BRIC Esports dalam Upaya Meningkatkan Efektivitas Strategi Dalam Bermain Mobile Legends,” JKOMDIS?: Jurnal Ilmu Komunikasi Dan Media Sosial, vol. 4, no. 1, 2024, doi: 10.47233/jkomdis.v4i1.1544.
M. Arif and S. Aditya, “Dampak Perilaku Komunikasi Pemain Game Mobile Legends Pada Mahasiswa Universitas Negeri Padang,” Journal of Intercultural Communication and Society, vol. 1, no. 01, 2022.
N. Juli et al., “Perilaku Toxic Dalam Permainan Online Mobile Legends Bang Bang,” Bhinneka: Jurnal Bintang Pendidikan dan Bahasa, vol. 1, no. 3, 2023.
M. Haikal, M. Martanto, and U. Hayati, “ANALISIS SENTIMEN TERHADAP PENGGUNAAN APLIKASI GAME ONLINE PUBG MOBILE MENGGUNAKAN ALGORITMA NAIVE BAYES,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 7, no. 6, 2024, doi: 10.36040/jati.v7i6.8174.
J. W. Iskandar and Y. Nataliani, “Perbandingan Naïve Bayes, SVM, dan k-NN untuk Analisis Sentimen Gadget Berbasis Aspek,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 5, no. 6, 2021, doi: 10.29207/resti.v5i6.3588.
S. Kasthuri and D. A. N. Jebaseeli, “An efficient Decision Tree Algorithm for analyzing the Twitter Sentiment Analysis,” Journal of Critical Reviews , vol. 7, no. 4, 2020.
B. A. H. Murshed, S. Mallappa, O. A. M. Ghaleb, and H. D. E. Al-ariki, “Efficient Twitter Data Cleansing Model for Data Analysis of the Pandemic Tweets,” in Studies in Systems, Decision and Control, vol. 348, 2021, pp. 93–114. doi: 10.1007/978-3-030-67716-9_7.
D. Abimanyu, E. Budianita, E. P. Cynthia, F. Yanto, and Y. Yusra, “Analisis Sentimen Akun Twitter Apex Legends Menggunakan VADER,” Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI), vol. 5, no. 3, 2022, doi: 10.32672/jnkti.v5i3.4382.
K. Barik and S. Misra, “Analysis of customer reviews with an improved VADER lexicon classifier,” J Big Data, vol. 11, no. 1, 2024, doi: 10.1186/s40537-023-00861-x.
S. Mujilahwati, “Pre-Processing Text Mining Pada Data Twitter,” Seminar Nasional Teknologi Informasi dan Komunikasi, vol. 2016, no. Sentika, pp. 2089–9815, 2016.
B. Herwijayanti, D. E. Ratnawati, and L. Muflikhah, “Klasifikasi Berita Online dengan menggunakan Pembobotan TF-IDF dan Cosine Similarity,” Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 2, no. 1, pp. 306–312, 2018, [Online]. Available: https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/796
D. A. Prabowo, M. Fhadli, M. A. Najib, H. A. Fauzi, and I. Cholissodin, “TF-IDF-Enhanced Genetic Algorithm Untuk Extractive Automatic Text Summarization,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 3, no. 3, 2016, doi: 10.25126/jtiik.201633217.
A. S. Alammary, “Arabic Questions Classification Using Modified TF-IDF,” IEEE Access, vol. 9, 2021, doi: 10.1109/ACCESS.2021.3094115.
M. Chiny, M. Chihab, Y. Chihab, and O. Bencharef, “LSTM, VADER and TF-IDF based Hybrid Sentiment Analysis Model,” International Journal of Advanced Computer Science and Applications, vol. 12, no. 7, 2021, doi: 10.14569/IJACSA.2021.0120730.
M. H. Hoti and J. Ajdari, “Sentiment Analysis Using the Vader Model for Assessing Company Services Based on Posts on Social Media,” SEEU Review, vol. 18, no. 2, 2023, doi: 10.2478/seeur-2023-0043.
M. Taboada, J. Brooke, M. Tofiloski, K. Voll, and M. Stede, “Lexicon-basedmethods for sentiment analysis,” Computational Linguistics, vol. 37, no. 2, 2011, doi: 10.1162/COLI_a_00049.
Y. Azhar, “METODE LEXICON-LEARNING BASED UNTUK IDENTIFIKASI TWEET OPINI BERBAHASA INDONESIA,” Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI), vol. 6, no. 3, 2018, doi: 10.23887/janapati.v6i3.11739.
M. Undap, V. P. Rantung, and P. T. D. Rompas, “Analisis Sentimen Situs Pembajak Artikel Penelitian Menggunakan Metode Lexicon-Based,” Jointer - Journal of Informatics Engineering, vol. 2, no. 02, 2021, doi: 10.53682/jointer.v2i02.44.
A. Y. Rahman, D. A. Aziz, A. L. Hananto, S. Sulaiman, and C. Zonyfar, “INTERNATIONAL JOURNAL ON INFORMATICS VISUALIZATION journal homepage?: www.joiv.org/index.php/joiv INTERNATIONAL JOURNAL ON INFORMATICS VISUALIZATION Classification of Tempeh Maturity Using Decision Tree and Three Texture Features.” [Online]. Available: www.joiv.org/index.php/joiv
Ihsan Zulfahmi, “Analisis Sentimen Aplikasi PLN Mobile Menggunakan Metode Decission Tree,” Jurnal Penelitian Rumpun Ilmu Teknik, vol. 3, no. 1, 2023, doi: 10.55606/juprit.v3i1.3096.
