Analisis Sentimen pada Google Play Store Pengguna Aplikasi TikTok dan Instagram Menggunakan Algoritma XGBoost Berbasis Website

Afriyanto Afriyanto; Usman Usman

doi:10.31004/riggs.v5i2.10584

Authors

Afriyanto Afriyanto Universitas Islam Indragiri
Usman Usman Universitas Islam Indragiri

DOI:

https://doi.org/10.31004/riggs.v5i2.10584

Keywords:

Analisis Sentimen, XGBoost, Google Play Store, Tiktok, Instagram, TF-IDF, Flask

Abstract

Pertumbuhan pengguna media sosial di Indonesia, khususnya TikTok dan Instagram, mendorong meningkatnya jumlah ulasan aplikasi pada Google Play Store yang memuat berbagai opini dan pengalaman pengguna. Banyaknya ulasan tersebut menyulitkan proses analisis secara manual, sehingga diperlukan pendekatan otomatis melalui analisis sentimen. Penelitian ini bertujuan mengembangkan sistem analisis sentimen berbasis website untuk mengklasifikasikan ulasan pengguna aplikasi TikTok dan Instagram ke dalam kategori positif dan negatif menggunakan algoritma Extreme Gradient Boosting (XGBoost). Dataset yang digunakan terdiri dari 8.742 ulasan hasil scraping Google Play Store menggunakan google-play-scraper dan diberi label berdasarkan rating bintang pengguna. Tahap pengolahan data meliputi preprocessing teks, seperti case folding, penghapusan noise, dan stopword removal, kemudian dilakukan ekstraksi fitur menggunakan TF-IDF. Model dievaluasi dengan pembagian data stratified 80:20. Hasil penelitian menunjukkan bahwa model XGBoost mampu mencapai akurasi sebesar 87,59%, dengan nilai presisi 88,10%, recall 87,59%, dan F1-score 87,41%, sehingga menunjukkan kinerja yang baik dalam mengklasifikasikan sentimen ulasan berbahasa Indonesia. Sistem yang dibangun berhasil diimplementasikan menggunakan Flask dan Bootstrap 5 serta dilengkapi fitur prediksi manual, pemrosesan data melalui unggahan file CSV/XLSX, dan penyimpanan riwayat prediksi. Hasil penelitian ini menunjukkan bahwa kombinasi XGBoost dan TF-IDF dapat menjadi solusi yang efektif untuk membantu analisis sentimen ulasan pengguna secara otomatis dan mendukung evaluasi kualitas layanan aplikasi berdasarkan masukan pengguna.

Downloads

Download data is not yet available.

References

[1] S. Kemp, “Digital 2024: Indonesia,” DataReportal. Accessed: Jun. 17, 2026. [Online]. Available: https://datareportal.com/reports/digital-2024-indonesia

[2] D. S. A. Rizki, M. S. Khabib, N. Rahmayuna, and V. G. Utomo, “Klasifikasi Sentimen Ulasan Pengguna Aplikasi Layanan Publik Google Play Store Menggunakan NLP dan ML,” J. Tempo Kompak, vol. 20, no. 1, pp. 51–64, 2025, doi: 10.33365/jtk.v20i1.586.

[3] J. P. Hidayat and I. Nurhaida, “Analisis Sentimen pada Ulasan LMS Pembelajaran Menggunakan Metode Natural Language Processing,” J. Ilm. Penelit. dan Pembelajaran Inform., vol. 10, no. 1, pp. 565–575, 2025, doi: 10.29100/jipi.v10i1.5899.

[4] O. S. D. Fadhillah, J. H. Jaman, and Carudin, “Perbandingan Naive Bayes, Support Vector Machine, Logistic Regression, dan Random Forest dalam Menganalisis Sentimen Mengenai TikTok Shop,” J. Inform. dan Tek. Elektro Terap., vol. 13, no. 1, pp. 840–847, 2025, doi: 10.23960/jitet.v13i1.5746.

[5] I. R. Hendrawan, E. Utami, and A. D. Hartanto, “Comparison of Naïve Bayes Algorithm and XGBoost on Local Product Review Text Classification,” J. Pendidik. Inform., vol. 6, no. 1, pp. 143–149, 2022, doi: 10.29408/edumatic.v6i1.5613.

[6] T. A. C. Budianto, B. A. Dermawan, and M. Jajuli, “Analisis Sentimen Ulasan Aplikasi M-Pajak pada Google Play Store Menggunakan XGBoost,” J. Sist. Inf. Apl., vol. 3, no. 1, pp. 11–25, 2025, doi: 10.52958/jsia.v3i1.12440.

[7] F. A. Indriyani, A. Fauzi, and S. Faisal, “Analisis Sentimen Aplikasi TikTok Menggunakan Algoritma Naïve Bayes dan Support Vector Machine,” J. Sains, Teknol. dan Inform., vol. 10, no. 2, pp. 176–184, 2023, doi: 10.37373/tekno.v10i2.419.

[8] R. Tangke, D. T. Salaki, W. W. Kalengkongan, and E. Ketaren, “Analisis Sentimen Aplikasi TikTok Menggunakan Algoritma Support Vector Machine (SVM) dan Random Forest,” J. Times, vol. 13, no. 2, pp. 53–62, 2024, doi: 10.51351/jtm.13.2.2024762.

[9] K. C. Pradhisa and R. Fajriyah, “Analisis Sentimen Ulasan Pengguna E-commerce di Google Play Store Menggunakan Metode IndoBERT,” Build. Informatics, Technol. Sci., vol. 6, no. 1, pp. 92–104, 2024, doi: 10.47065/bits.v6i1.5247.

[10] Sukirman, Sajiah, N. P. Husain, A. F. Syam, and Ragil, “Analisis Sentimen Ulasan Pengguna Tiktok pada Google Play Store Berbasis TF-IDF dan Support Vector Machine,” J. Syst. Comput. Eng., vol. 5, no. 1, pp. 91–102, 2024, doi: 10.61628/jsce.v5i1.1105.

[11] I. R. Hendrawan, E. Utami, and A. D. Hartanto, “Analisis Perbandingan Metode Tf-Idf dan Word2vec pada Klasifikasi Teks Sentimen Masyarakat Terhadap Produk Lokal di Indonesia,” Smart Comp, vol. 11, no. 3, pp. 497–503, 2022, doi: 10.30591/smartcomp.v11i3.3902.

[12] A. I. Tanggraeni and M. N. N. Sitokdana, “Analisis Sentimen Aplikasi E-Government pada Google Play Menggunakan Algoritma Naïve Bayes,” J. Tek. Inform. dan Sist. Inf., vol. 9, no. 2, pp. 785–795, 2022, doi: 10.35957/jatisi.v9i2.1835.

[13] Juliana, S. Ondeng, and U. Rahman, “Konsep Dasar Penelitian Kuantitatif,” J. Pendidik. Tambusai, vol. 10, no. 1, pp. 140–146, 2026, doi: 10.31004/jptam.v10i1.35817.

[14] N. D. Kurniawan, P. R. Ferdian, and N. Hidayati, “Analisis Sentimen Algoritma Naïve Bayes, Support Vector Machine, dan Random Forest pada Ulasan Aplikasi Ajaib,” J. Nas. Teknol. dan Sist. Inf., vol. 11, no. 1, pp. 87–97, 2025, doi: 10.25077/TEKNOSI.v11i1.2025.87-97.

[15] M. U. Albab, Y. Karuniawati P, and M. N. Fawaiq, “Optimization of the Stemming Technique on Text preprocessing President 3 Periods Topic,” J. Transform., vol. 20, no. 2, pp. 1–10, 2023, doi: 10.26623/transformatika.v20i2.5374.

[16] S. J. Angelina, A. B. P. Negara, and H. Muhardi, “Analisis Pengaruh Penerapan Stopword Removal pada Performa Klasifikasi Sentimen Tweet Bahasa Indonesia,” J. Apl. dan Ris. Inform., vol. 02, no. 1, pp. 165–173, 2023, doi: 10.26418/juara.v2i1.69680.

[17] D. Septiani and I. Isabela, “Analisis Term Frequency Inverse Document Frequency (TF-IDF) dalam Temu Kembali Informasi pada Dokumen Teks,” J. Sist. dan Teknol. Inf. Indones., vol. 1, no. 2, pp. 81–88, 2022, [Online]. Available: https://journal.unj.ac.id/unj/index.php/SINTESIA/article/view/39364

[18] Yulistiani and Styawati, “Analisis Sentimen Terhadap Calon Presiden Indonesia 2024 dengan Metode Extreme Gradient Boosting (XGBOOST),” J. Pengemb. IT, vol. 9, no. 3, pp. 322–328, 2024, doi: 10.30591/jpit.v9i3.6127.

[19] A. Aurellia, S. Nooriansyah, and Y. Amrozi, “Pemanfaatan UML dalam Perancangan Sistem Informasi Produk Kreatif Daur Ulang Sampah Berbasis Web,” J. Inform. dan Tek. Elektro Terap., vol. 13, no. 3, pp. 1739–1749, 2025, doi: 10.23960/jitet.v13i3S1.8073.

[20] H. L. Walingkas and P. O. N. Saian, “Penerapan Framework Flask pada Pembangunan Sistem Informasi Pemasok Barang,” J. Teknol. Inf. dan Komun., vol. 7, no. 2, pp. 227–234, 2023, doi: 10.35870/jtik.v7i2.729.

[21] Herfandi, M. Julkarnain, and M. Hanif, “Desain dan Implementasi Restful Web Services untuk Integrasi Data dan Aplikasi,” J. Inform. Teknol. dan Sains, vol. 4, no. 1, pp. 36–41, 2022, doi: 10.51401/jinteks.v4i1.1529.

[22] V. W. D. Thomas and F. Rumaisa, “Analisis Sentimen Ulasan Hotel Bahasa Indonesia Menggunakan Support Vector Machine dan TF-IDF,” J. Media Inform. Budidarma, vol. 6, no. 3, pp. 1767–1774, 2022, doi: 10.30865/mib.v6i3.4218.