Tentang SmartLib Bantuan Pengguna

Skripsi S1

Record Data Skripsi S1

MhswID :

210401161

Judul :

ANALISIS SENTIMEN ULASAN GAME ROBLOX BERBAHASA INDONESIA DI GOOGLE PLAY STORE MENGGUNAKAN METODE INDOBERTWEET

Penulis :

DHEVA SRI ANGRAINI

Abstrak :

Roblox merupakan platform ekosistem permainan daring yang sangat populer di Indonesia, menghasilkan volume ulasan pengguna yang masif di Google Play Store. Namun, analisis sentimen terhadap ulasan ini memiliki tantangan berupa penggunaan bahasa informal, singkatan (slang), dan ketidakseimbangan distribusi kelas (class imbalance). Penelitian ini bertujuan untuk mengevaluasi kinerja model transformer IndoBERTweet dalam mengklasifikasikan sentimen ulasan Roblox berbahasa Indonesia serta menganalisis pengaruh teknik class weight dalam menangani ketimpangan data. Metodologi yang digunakan meliputi pengumpulan data melalui crawling sebanyak 82.260 ulasan dalam rentang waktu April hingga Mei 2025. Data diproses melalui tahapan preprocessing (deduplikasi, case folding, cleaning) dan pelabelan otomatis menjadi tiga kategori: positif, negatif, dan netral. Eksperimen dilakukan dengan membandingkan tiga skenario pembagian data (data split), yaitu 90:10, 80:20, dan 70:30, dengan penerapan strategi class weight pada fungsi kerugian model. Hasil penelitian menunjukkan bahwa skenario pembagian data 70:30 merupakan model terbaik dengan tingkat akurasi sebesar 86% dan Weighted Average F1-score sebesar 0,87. Arsitektur IndoBERTweet terbukti efektif menangkap konteks bahasa informal dengan performa sangat dominan pada sentimen positif (F1-score 0,93), namun masih menghadapi tantangan pada sentimen netral (F1-score 0,26) akibat ambiguitas linguistik dan keterbatasan sampel. Analisis WordCloud mengungkap bahwa ketidakpuasan pengguna (sentimen negatif) didominasi oleh kendala teknis seperti stabilitas jaringan (lag) dan masalah pembaruan aplikasi. Penelitian ini memberikan kontribusi pada riset Natural Language Processing (NLP) bahasa Indonesia dalam domain media sosial dan mobile gaming.

Abstrak Inggris :

Roblox is a highly popular online gaming ecosystem in Indonesia, generating a massive volume of user reviews on the Google Play Store. However, sentiment analysis of these reviews presents challenges such as the use of informal language, slang, and class imbalance. This study aims to evaluate the performance of the IndoBERTweet transformer model in classifying Indonesian-language Roblox review sentiments and to analyze the impact of the class weight technique in addressing data imbalance. The methodology involved collecting 82,260 reviews through crawling between April and May 2025. The data underwent preprocessing stages, including deduplication, case folding, and cleaning, and was automatically labeled into three categories: positive, negative, and neutral. Experiments were conducted by comparing three data split scenarios—90:10, 80:20, and 70:30—while implementing a class weight strategy in the model's loss function. The results showed that the 70:30 data split was the best-performing model, achieving an accuracy of 86% and a Weighted Average F1-score of 0.87. The IndoBERTweet architecture proved effective in capturing informal language context, showing dominant performance in positive sentiment (F1-score 0.93). However, challenges remained for neutral sentiment (F1-score 0.26) due to linguistic ambiguity and limited samples. WordCloud analysis revealed that user dissatisfaction (negative sentiment) was dominated by technical issues such as network instability (lag) and application update problems. This research contributes to Indonesian Natural Language Processing (NLP) in the domains of social media and mobile gaming.

Tahun :

2026

Cover :

664e2-cover_210401161.pdf

Bab 1 :

bac81-bab_1_210401161.pdf

Bab 2 :

6cc46-bab_2_210401161.pdf

Bab 3 :

aafa0-bab_3_210401161.pdf

Bab 4 :

0bc3a-bab_4_210401161.pdf