Website Analisis Sentimen Review Aplikasi Pada Google Play Store Menggunakan Pre-Trained Model IndoRoBERTa
Keywords:
Analisis Sentimen, Aplikasi Web, Google Play Store, IndoRoBERTa, Metode WaterfallAbstract
Perkembangan aplikasi mobile menghasilkan jutaan ulasan di Google Play Store yang memuat opini pengguna. Membaca ulasan secara manualberisiko menimbulkan bias subjektif. Penelitian ini bertujuan membangun aplikasi berbasis web untuk analisis sentimen otomatis menggunakan pre-trained model Indonesian RoBERTa (IndoBERT). Pengembangan sistem mengadopsi metode Waterfall, dengan proses ekstraksi data real-time menggunakan pustaka google-play-scraper. Hasil pengujian rating-based menggunakan Confusion Matrix menunjukkan bahwa model IndoBERT mencapai tingkat akurasi sebesar 82,82%. Pengujian fungsionalitas melalui Black Box Testing menghasilkan tingkat efektivitas 100%, yang menandakan seluruh fitur beroperasi secara optimal. Implikasinya, sistem yang mengintegrasikan model kecerdasan buatan ke dalam dashboard interaktif ini dapat membantu pengembang mengevaluasi opini publik secara cepat, objektif, dan masif untuk pengambilan keputusan strategis.
References
J. Aritonang and R. Rokhim, “Big Data Analysis of Paid and Free Applications in Google Playstore and Apple App Store to Know Application Characteristics and Monetization Opportunities for New Startup in Indonesia,” 2020.
J. A. Mumtaz, K. K. Komariansyah, W. Holik, M. G. Gumelar, R. Pratama, and H. R. Lestari, “Analisis Sentimen Ulasan Aplikasi HeyJapan di Google Play Store Menggunakan Algoritma NLP,” Pragmatik: Jurnal Rumpun Ilmu Bahasa dan Pendidikan, vol. 3, no. 3, pp. 157–167, Jun. 2025.
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, Jan. 2025.
D. Tribuana, B. Baharuddin, and A. M. Resky, “Penerapan Algoritma XGBoost Untuk Prediksi Kepuasan Pelanggan Pada Layanan E-Commerce: Studi Pada Dataset Transaksi Nyata,” Jurnal Teknologi dan Bisnis Cerdas, vol. 1, no. 1, pp. 50–59, Jul. 2025.
F. A. Irawan, A. R. Atmadja, and A. Wahana, “Analisis Sentimen Ulasan Aplikasi Bank Digital Menggunakan Algoritma Naive Bayes,” 2024.
K. Anhsori and G. F. Shidik, “A Comparative Analysis of Eight Machine Learning Models for Climate Change Sentiment Analysis,” JST (Jurnal Sains dan Teknologi), vol. 14, no. 2, pp. 229–243, Jul. 2025.
M. J. Setiawan and V. R. S. Nastiti, “DANA App Sentiment Analysis: Comparison of XGBoost, SVM, and Extra Trees,” Jurnal Sisfokom (Sistem Informasi dan Komputer), vol. 13, no. 3, pp. 337–345, Nov. 2024.
F. Aftab et al., “A Comprehensive Survey on Sentiment Analysis Techniques,” International Journal of Technology, vol. 14, no. 6, pp. 1288–1298, 2023.
N. D. Kurnia, B. Kholifah, F. W. N. Ani, and A. F. N. Nafii’, “Analisis Sentimen Multi-Kelas untuk Menilai Kepuasan Mahasiswa terhadap Aplikasi Manajemen Akademik Berbasis Web di Lingkungan Perguruan Tinggi,” Jurnal Komputer Teknologi Informasi Sistem Informasi (JUKTISI), vol. 4, no. 1, pp. 194–197, Jun. 2025.
F. Panjaitan, W. Ce, H. Oktafiandi, G. Kanugrahan, Y. Ramdhani, and V. H. C. Putra, “Evaluation of Machine Learning Models for Sentiment Analysis in the South Sumatra Governor Election Using Data Balancing Techniques,” Journal of Information Systems and Informatics, vol. 7, no. 1, pp. 461–478, Mar. 2025.
N. A. Semary, W. Ahmed, K. Amin, P. Pławiak, and M. Hammad, “Improving sentiment classification using a RoBERTa-based hybrid model,” Front. Hum. Neurosci., vol. 17, 2023.
M. Rizqy and E. P. Silmina, “Perancangan dan Implementasi Dashboard Berbasis Web untuk Meningkatkan Transparansi dan Pengawasan Kinerja Menggunakan Metode Waterfall,” 2025. [Online]. Tersedia: https://jurnal.bsi.ac.id/index.php/ijec/ [Diakses: 10 Mei 2026].
A. A. Wahid, “Analisis Metode Waterfall Untuk Pengembangan Sistem Informasi,” 2020. [Online]. Tersedia: https://www.researchgate.net/publication/346397070 [Diakses: 10 Mei 2026].
