ANALISIS PENGARUH RANDOM SEARCH PADA LOGISTIC REGRESSION DALAM KLASIFIKASI SENTIMEN PENGGUNA APLIKASI PDAM INFO

Penulis

  • Suci Awalia Ramadani Universitas Sulawesi Barat
  • Heliawaty Hamrul Universitas Sulawesi Barat
  • Nurhikma Arifin Universitas Sulawesi Barat

DOI:

https://doi.org/10.36080/skanika.v9i1.3646

Kata Kunci:

Kata kunci: Analisis Sentimen, PDAM Info, Logistic Regression, Random Search

Abstrak

Transformasi digital mendorong kebutuhan  untuk menghadirkan layanan publik berbasis teknologi yang cepat dan responsif melalui aplikasi, salah satunya aplikasi PDAM Info. Ulasan pengguna aplikasi merupakan informasi penting bagi pengembang untuk meningkatkan kualitas layanan. Banyaknya ulasan aplikasi menyulitkan proses analisis secara manual, sehingga diperlukan analisis sentimen berbasis teks menggunakan machine learning. Algoritma machine learning secara default seringkali belum optimal dalam melakukan klasifikasi, metode Random Search dipercaya dapat meningkatkan kinerja hasil klasifikasi. Tujuan penelitian ini untuk mengetahui hasil analisis sentimen, serta mengetahui pengaruh Random Search dalam klasifikasi sentimen aplikasi PDAM Info. Dataset terdiri dari 2.400 ulasan dari Google Play Store yang setelah preprocessing menjadi 1.677 data, dilabeli menggunakan metode Lexicon-Based dan direpresentasikan dengan TF-IDF. Klasifikasi dilakukan menggunakan Logistic Regression dan SVM, metode hyperparameter tuning yang digunakan adalah Random Search. Hasil menunjukkan sentimen negatif mendominasi ulasan pengguna terkait cakupan wilayah dan metode pembayaran. Penerapan Random Search meningkatkan kinerja kedua algoritma dengan Accuracy 88% dan F1-score 83%, serta menunjukkan perbaikan prediksi kelas positif dan netral pada data tidak seimbang. Kontribusi penelitian ini memberikan informasi terkait persepsi pengguna bagi pengembang aplikasi PDAM Info serta membuktikan bahwa Random Search dapat meningkatkan kinerja model machine learning dan memperbaiki prediksi kelas pada data tidak seimbang.

Unduhan

Data unduhan belum tersedia.

Referensi

[1] T. Tri Indriyani, “Bebas Ribet Bayar dan Urus Tagihan Air, Cukup Pakai PDAM Info!,” PDAM Info, 2024. [Online]. Tersedia: https://pdaminfo.pdampintar.id/blog/lainnya/bebas-ribet-bayar-dan-urus-tagihan-air-dengan-pdam-info

[2] E. Indrayuni and A. Nurhadi, “Analisis Sentimen Aplikasi Tiktok Shop Seller Center Menggunakan Naive Bayes, Svm Dan Logistic Regression,” Inti Nusa Mandiri, vol. 20, pp. 26–34, 2025, doi: 10.33480/inti.v20i1.6851.

[3] K. Khotimah, M. Martanto, A. R. Dikananda, and A. Rifa’i, “Analisis Sentimen Ulasan Aplikasi Pintu Di Google Play Store Menggunakan Algoritma Naive Bayes,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 13, no. 1, pp. 963, 963-971, 2025, doi: 10.23960/jitet.v13i1.5789.

[4] F. Zakwan, “Perbandingan Algoritma Klasifikasi Naïve Bayes,” Skripsi, Universitas Islam Negeri Ar-Raniry Banda Aceh, Bandar Lampung, 2023.

[5] I. R. Ainunnisa and S. Sulastri, “Analisis Sentimen Aplikasi Tiktok dengan Metode Support Vector Machine (SVM), Logistic Regression dan Naive Bayes,” Jurnal Teknologi Sistem Informasi dan Aplikasi, vol. 6, no. 3, pp. 423–430, 2023, doi: 10.32493/jtsi.v6i3.31076.

[6] A. N. Syafia, M. F. Hidayattullah, and W. Suteddy, “Studi Komparasi Algoritma SVM dan Random Forest Pada Analisis Sentimen Komentar Youtube BTS,” vol. 8, no. 3, pp. 207-212, 2023, doi: 10.30591/jpit.v8i3.5064.

[7] A. Wahid Mu’ammar, K. Adi Nugroho, T. Safitri, and F. Setyo Utomo, “Optimasi Logistic Regression dan Random Forest untuk Deteksi Berita Hoax Berbasis TF-IDF,” Jurnal Pendidikan dan Teknologi Indonesia (JPTI), vol. 4, no. 8, pp. 381–392, 2024, doi: 10.52436/1.jpti.602.

[8] J. E. Br Sinulingga and H. C. K. Sitorus, “Analisis Sentimen Opini Masyarakat terhadap Film Horor Indonesia Menggunakan Metode SVM dan TF-IDF,” Jurnal Manajemen Informatika (JAMIKA), vol. 14, no. 1, pp. 42–53, 2024, doi: 10.34010/jamika.v14i1.11946.

[9] T. A. E. Putri, T. Widiharih, and R. Santoso, “Penerapan Tuning Hyperparameter Randomsearchcv Pada Adaptive Boosting Untuk Prediksi Kelangsungan Hidup Pasien Gagal Jantung,” Jurnal Gaussian, vol. 11, no. 3, pp. 397–406, 2023, doi: 10.14710/j.gauss.11.3.397-406.

[10] A. D. Rachmatsyah, T. Sugihartono, and K. Irfan, “Perbandingan Teknik Optimasi Grid Search dan Randomized Search dalam Meningkatkan Akurasi Metode Klasifikasi SVM Pada Sentimen Ulasan Pengguna Aplikasi JKN Mobile,” SKANIKA: Sistem Komputer dan Teknik Informatika, vol. 8, no. 1, pp. 13–22, 2025, doi: 10.36080/skanika.v8i1.3328.

[11] S. W. Ritonga, Y., M. Fikry, and E. P. Cynthia, “Klasifikasi Sentimen Masyarakat di Twitter terhadap Ganjar Pranowo dengan Metode Naïve Bayes Classifier,” Building of Informatics, Technology and Science (BITS), vol. 5, no. 1, 2023, doi: 10.47065/bits.v5i1.3535.

[12] H. Putri, E. Rensa, N. Nur, and F. Wajidi, “Analisis Sentimen Komentar YouTube terhadap Ganjar Pranowo Pasca Pemilu 2024 dengan Pendekatan Long Short-Term Memory,” Journal of Computer and Information System (J-CIS, vol. 7, no. 2, pp. 89–98, 2024, doi: 10.31605/jcis.v7i2.

[13] I. Tri Julianto, “Analisis Sentimen Terhadap Sistem Informasi Akademik Mahasiswa Institut Teknologi Garut,” Jurnal Algoritma Institut Teknologi Garut, vol. 19, pp. 458–465, 2022, doi: https://doi.org/10.33364/algoritma/v.19-1.1112.

[14] C. E. Joergensen Munthe, N. Astuti Hasibuan, and H. Hutabarat, “RESOLUSI: Rekayasa Teknik Informatika dan Informasi Penerapan Algoritma Text Mining Dan TF-RF Dalam Menentukan Promo Produk Pada Marketplace,” RESOLUSI: Rekayasa Teknik Informatika dan Informasi, vol. 2, no. 3, pp. 110–115, 2022, doi: https://doi.org/10.30865/resolusi.v2i3.309.

[15] I. Gusti, A. Ngurah, R. Semadi, M. Samsudin, and K. Dharmendra, “Perbandingan Metode Seleksi Fitur Pada Analisis Sentimen (Studi Kasus Opini PILKADA DKI 2017),” Journal of informatics, vol. 8, no. 1, pp. 11–18, 2023, doi: https://doi.org/10.51211/itbi.v8i1.2408.

[16] R. Yusuf, K. Bahumatra, N. Komaria, E. A. Aqma, and L. Cahyani, “Analisis Sentimen Terhadap Aplikasi Google Meet Berdasarkan Komentar Pengguna Menggunakan Metode Logistic Regresion,” Jurnal Ilmiah Edutic: Pendidikan dan Informatika, vol. 11, no. 1, pp. 53–64, 2024, doi: 10.21107/edutic.v11i1.28113.

[17] B. B. Tangkere, “Analisis Performa Logistic Regression dan Support Vector Classification untuk Klasifikasi Email Phising,” Jurnal Ekonomi Manajemen Sistem Informasi (JEMSI), vol. 5, pp. 442-450, 2024, doi: 10.38035/jemsi.v5i4.

[18] R. Prabowo, H. Sujaini, and T. Rismawan, “Analisis Sentimen Pengguna Twitter Terhadap Kasus COVID-19 di Indonesia Menggunakan Metode Regresi Logistik Multinomial,” Jurnal Sistem dan Teknologi Informasi (JustIN), vol. 11, no. 2, pp. 366–370, 2023, doi: 10.26418/justin.v11i2.57449.

[19] S. A. Utiarahman, A. Mulawati, and M. Pratama, “KLIK: Kajian Ilmiah Informatika dan Komputer Analisis Perbandingan KNN, SVM, Decision Tree dan Regresi Logistik Untuk Klasifikasi Obesitas Multi Kelas,” in Media Online), 2024, pp. 3137–3146. doi: 10.30865/klik.v4i6.1871.

[20] J. Ipmawati, S. Saifulloh, and K. Kusnawi, “Analisis Sentimen Tempat Wisata Berdasarkan Ulasan pada Google Maps Menggunakan Algoritma Support Vector Machine,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 4, no. 1, pp. 247–256, 2024, doi: 10.57152/malcom.v4i1.1066.

[21] N. C. Ramadani, “Analisis Sentimen Untuk Mengukur Ulasan Pengguna Aplikasi Mobile Legend Menggunakan Algoritma Naive Bayes, SVM, Random Fores, Decision Tree, dan Logistic Regression,” JSI : Jurnal Sistem Informasi (E-Journal, vol. 16, no. 1, pp. 123–138, 2024, doi: https://doi.org/10.18495/jsi.v16i1.152.

[22] A. K. Sari, et al., “Analisis Sentimen Twitter Menggunakan Machine Learning untuk Identifikasi Konten Negatif,” Adopsi Teknologi dan Sistem Informasi (ATASI), vol. 3, no. 1, pp. 64–73, 2024, doi: 10.30872/atasi.v3i1.1373.

[23] A. Tirta, P. Subandono, and D. Ariatmanto, “Optimalisasi Seleksi Fitur dalam Analisis Sentimen Bank Saqu: Studi Perbandingan SVM dan Random Forest Menggunakan Information Gain dan Chi-Square,” Sistemasi: Jurnal Sistem Informasi, vol. 14, pp. 1205–1219, 2025, doi: 10.32520/stmsi.v14i3.5106.

[24] F. Dewi, N. C. H. Wibowo, M. R. Handayani, and K. Umam, “Evaluasi Hyperparamter Tuning Pada Support Vector Machine (Svm) Dalam Klasifikasi Ulasan Hotel Di Tripadvisor,” JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), vol. 10, no. 3, pp. 2584–2593, 2025, doi: 10.29100/jipi.v10i3.7774.

Unduhan

Diterbitkan

2026-01-31

Cara Mengutip

[1]
S. A. Ramadani, Heliawaty Hamrul, dan Nurhikma Arifin, “ANALISIS PENGARUH RANDOM SEARCH PADA LOGISTIC REGRESSION DALAM KLASIFIKASI SENTIMEN PENGGUNA APLIKASI PDAM INFO”, SKANIKA, vol. 9, no. 1, hlm. 61–75, Jan 2026.

Terbitan

Vol 9 No 1 (2026): Jurnal SKANIKA Januari 2026

Bagian

Articles

Lisensi

Hak Cipta (c) 2026 Suci Awalia Ramadani, Heliawaty Hamrul, Nurhikma Arifin

Creative Commons License

Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.

CC BY-SA 4.0

Creative Commons Attribution-ShareAlike 4.0 International

This license requires that reusers give credit to the creator. It allows reusers to distribute, remix, adapt, and build upon the material in any medium or format, even for commercial purposes. If others remix, adapt, or build upon the material, they must license the modified material under identical terms.

BY: Credit must be given to you, the creator.

SA: Adaptations must be shared under the same terms.ng