Perbandingan Logistic Regression dan SVM untuk Analisis Sentimen Pengguna Netflix Menggunakan TF-IDF dan Bot Telegram
DOI:
https://doi.org/10.31004/riggs.v4i4.3988Keywords:
Sentimen, Netflix, TF-IDF, Logistic Regression, SVM, Machine Learning, Bot TelegramAbstract
Pertumbuhan layanan over-the-top (OTT) seperti Netflix di Indonesia menyebabkan meningkatnya jumlah ulasan pengguna yang dapat dimanfaatkan sebagai sumber informasi untuk memahami persepsi terhadap kualitas layanan. Ulasan tersebut mengandung opini positif maupun negatif yang berhubungan dengan pengalaman menonton, stabilitas aplikasi, kualitas jaringan, hingga aspek biaya. Penelitian ini bertujuan membandingkan performa dua algoritma Machine Learning, yaitu Logistic Regression dan Support Vector Machine (SVM), dengan representasi teks TF-IDF dalam mengklasifikasikan sentimen ulasan pengguna Netflix berbahasa Indonesia. Dataset yang digunakan terdiri dari 5.620 ulasan yang diperoleh dari Google Play Store dan telah melalui serangkaian tahapan prapemrosesan mencakup pembersihan teks, case folding, tokenisasi, stopword removal, dan stemming. Evaluasi dilakukan menggunakan keseluruhan dataset untuk memperoleh gambaran performa operasional yang lebih realistis dalam konteks penggunaan nyata. Hasil penelitian menunjukkan bahwa SVM memberikan performa tertinggi dengan akurasi 0,8603, F1-score 0,7773, precision 0,8698, recall 0,7026, dan ROC-AUC 0,9206, sedangkan Logistic Regression mencatat akurasi 0,8532 dan F1-score 0,7626. Selain evaluasi model, penelitian ini juga mengimplementasikan sistem analisis sentimen melalui dashboard Streamlit dan bot Telegram yang mampu memberikan prediksi secara real-time. Temuan ini menunjukkan bahwa integrasi model Machine Learning dengan platform aplikasi dapat digunakan sebagai alat pemantauan opini pengguna secara berkelanjutan serta mendukung pengambilan keputusan terkait peningkatan kualitas layanan OTT.
Downloads
References
S. Zhang and others, “A comparative study of machine learning algorithms for sentiment classification,” Appl. Intell., vol. 52, pp. 6213–6226, 2022, doi: 10.1007/s10489-021-02718-4.
M. Rizwan and others, “A systematic review on text feature extraction and feature selection,” IEEE Access, vol. 8, pp. 139–145, 2020, doi: 10.1109/ACCESS.2020.3028167.
M. Liu and H. Chen, “Sentiment classification using TF-IDF and logistic regression,” IEEE Access, 2021, doi: 10.1109/ACCESS.2021.3058990.
Y. Sun and others, “Linear SVM for large-scale sentiment analysis,” J. Big Data, vol. 9, 2022, doi: 10.1186/s40537-022-00683-4.
T. Wibawa and A. Kurniawan, “Indonesian sentiment analysis using SVM and TF-IDF,” J. King Saud Univ. – Comput. Inf. Sci., 2023, doi: 10.1016/j.jksuci.2022.11.012.
N. Azizah and others, “A hybrid TF-IDF and SVM approach for sentiment detection,” Expert Syst. Appl., 2021, doi: 10.1016/j.eswa.2021.114–134.
R. Prabowo, “Performance comparison of logistic regression and SVM on Indonesian text classification,” Procedia Comput. Sci., 2020, doi: 10.1016/j.procs.2020.01.043.
J. Devlin and others, “BERT: Pre-training of deep bidirectional transformers,” in NAACL-HLT, 2020. doi: 10.48550/arXiv.1810.04805.
L. Hartono, “Analisis sentimen layanan OTT di Indonesia menggunakan TF-IDF,” J. Teknol. Inf., vol. 9, no. 2, pp. 112–121, 2021.
R. Pangestu, “Evaluasi kualitas aplikasi streaming menggunakan ulasan pengguna,” J. Sist. Inf. Nusant., vol. 6, no. 1, pp. 33–41, 2022.
D. Sari and M. Hidayat, “Optimasi stemming dan stopwords untuk analisis sentimen Bahasa Indonesia,” in Seminar Nasional Informatika, 2020.
F. Nugraha, “Implementasi TF-IDF untuk klasifikasi komentar pengguna aplikasi mobile,” in Prosiding ICITEE, 2021.
B. Safitri, “Analisis opini pengguna Netflix di Indonesia,” J. Inform. dan Sist. Cerdas, vol. 4, no. 3, 2023.
P. Simanjuntak, “Model klasifikasi teks pada ulasan aplikasi hiburan digital,” J. Teknol. dan Sains Komput., 2024.
K. K. dan Informatika, “Tren penggunaan layanan streaming di Indonesia 2024,” 2024.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Simson Mali Ngara, Indra Galuh Anggara, Ryan Adjie Saputra, Beni Rahmatullah, Ahmad Jurnaidi Wahidin, Ika Kurniawati
This work is licensed under a Creative Commons Attribution 4.0 International License.
