Penerapan LSTM untuk Menganalisis Sentimen Review Pengguna Aplikasi Zoom pada Play Store
DOI:
https://doi.org/10.31294/imtechno.v6i2.9614Keywords:
Analisa Sentimen, Zoom , LSTMAbstract
Setelah berakhirnya masa pandemi Covid-19, pola kerja dan komunikasi masyarakat mengalami perubahan signifikan. Meskipun kegiatan tatap muka telah kembali normal, penggunaan aplikasi video conference seperti Zoom tetap menjadi pilihan utama dalam menunjang aktivitas profesional. Zoom Cloud Meeting kini tidak hanya digunakan untuk keperluan Work From Home (WFH), tetapi juga menjadi sarana utama dalam mendukung kolaborasi jarak jauh antar individu maupun tim lintas wilayah dan negara. Aplikasi ini memungkinkan komunikasi efektif tanpa harus hadir secara fisik, sehingga meningkatkan efisiensi kerja di era digital saat ini. Namun demikian, seperti aplikasi lainnya, Zoom tetap memiliki kelebihan dan kekurangan yang tercermin dari ulasan pengguna di platform Google Play Store. Ulasan-ulasan tersebut dapat dianalisis untuk mengetahui sentimen dominan dari pengguna, apakah cenderung positif atau negatif. Dengan menerapkan teknik data mining, data ulasan ini dapat dimanfaatkan untuk mengevaluasi dan meningkatkan kualitas layanan aplikasi. Penelitian ini menganalisis ulasan pengguna Zoom melalui Google Play Store dalam melakukan analisis sentimen. Hasil penelitian menunjukkan bahwa model LSTM memberikan hasil yang lebih akurat dalam memprediksi sentimen pengguna, dengan akurasi 92,91%, presisi 93,22%, recall 93,47%, dan F1-score sebesar 93,35%, serta skor ROC-AUC sebesar 0,97. Temuan ini diharapkan dapat membantu pengembang aplikasi Zoom memahami persepsi pengguna secara lebih mendalam, serta menjadi kontribusi dalam pengembangan teori dan penerapan teknologi analisis sentimen di masa depan.
References
M. Rezki, D. N. Kholifah, M. Faisal, and R. Suryadithia, “Analisis Review Pengguna Google Meet dan Zoom Cloud Meeting Menggunakan Algoritma Naïve Bayes,” vol. 2, no. 2, pp. 264–270, 2020.
N. Alfareza, “Analisis Sentimen ZOOM Cloud Meetings Pada Google Play Store Review,” pp. 42–45, 2020.
F. Fanani And I. A. Bustoni, “Klasifikasi Review Software Pada Google Play Menggunakan Pendekatan Analisis Sentimen,” 2017.
A. P. Natasuwarna, “Seleksi Fitur Support Vector Machine pada Analisis Sentimen Keberlanjutan Pembelajaran Daring,” Techno.Com, vol. 19, no. 4, pp. 437–448, 2020, doi: 10.33633/tc.v19i4.4044.
E. Widodo, I. Al Maksur, and ..., “Analisis Sentimen Tripadvisor Terhadap Pariwisata Gunung Bromo dan Gunung Semeru,” Semin. Nas. Multimed. Artif. Intell. 2019 Yogyakarta, 30 Novemb. 2019, no. November, pp. 43–48, 2019, [Online]. Available: http://papersmai.mercubuana-yogya.ac.id/index.php/smai/article/download/33/29.
N. Herlinawati, Y. Yuliani, S. Faizah, W. Gata, and S. Samudi, “Analisis Sentimen Zoom Cloud Meetings di Play Store Menggunakan Naïve Bayes dan Support Vector Machine,” CESS (Journal Comput. Eng. Syst. Sci., vol. 5, no. 2, p. 293, 2020, doi: 10.24114/cess.v5i2.18186.
M. K. Naserly, “Implementasi Zoom, Google Classroom dan WhatsApp Group dalam Mendukung Pembelajaran Daring (Online) Pada Mata Kuliah Bahasa Inggris,” J. Phys. A Math. Theor., vol. 44, no. 8, pp. 155–165, 2011, [Online]. Available: https://jurnal-dikpora.jogjaprov.go.id/index.php/jurnalideguru/article/view/129.
H. Sulastri and A. I. Gufroni, “Penerapan Data Mining Dalam Pengelompokan Penderita Thalassaemia,” J. Nas. Teknol. dan Sist. Inf., vol. 3, no. 2, pp. 299–305, 2017, doi: 10.25077/teknosi.v3i2.2017.299-305.
A. K. Wardhani, “K-Means Algorithm Implementation for Clustering of Patients Disease in Kajen Clinic of Pekalongan,” J. Transform., vol. 14, no. 1, p. 30, 2016, doi: 10.26623/transformatika.v14i1.387.
P. B. N. Setio, D. R. S. Saputro, and Bowo Winarno, “Klasifikasi Dengan Pohon Keputusan Berbasis Algoritme C4.5,” Prism. Pros. Semin. Nas. Mat., vol. 3, pp. 64–71, 2020.
D. A. Agustina, S. Subanti, and E. Zukhronah, “Implementasi Text Mining Pada Analisis Sentimen Pengguna Twitter Terhadap Marketplace di Indonesia Menggunakan Algoritma Support Vector Machine,” Indones. J. Appl. Stat., vol. 3, no. 2, p. 109, 2021, doi: 10.13057/ijas.v3i2.44337.
I. Darmawan, O. N. Pratiwi, F. R. Industri, and U. Telkom, “Analisis Sentimen Ulasan Produk Toko Online Rubylicious Untuk,” vol. 7, no. 2, pp. 7026–7034, 2020.
A. Sari, F. V., & Wibowo, “Analisis Sentimen Pelanggan Toko Online Jd. Id Menggunakan Metode Naïve Bayes Classifier Berbasis Konversi Ikon Emosi,” Simetris J. Tek. Mesin, Elektro dan Ilmu Komput., vol. 2, no. 2, pp. 681–686, 2019.
B. Panjaitan and K. M. Lhaksmana, “Analisis Sentimen Publik Terhadap Calon Presiden 2019 Melalui Twitter Menggunakan Metode Naive Bayes Classifier ( Studi kasus : Pilpres 2019 ),” vol. 6, no. 2, pp. 9744–9752, 2019.
Y. Astari and S. W. Rozaqi, “Analisis Sentimen Multi-Class pada Sosial Media menggunakan metode Long Short-Term Memory ( LSTM ),” vol. 4, no. 1, pp. 8–12, 2021.
D. T. Hermanto, A. Setyanto, and E. T. Luthfi, “Algoritma LSTM-CNN untuk Binary Klasifikasi dengan Word2vec pada Media Online,” Creat. Inf. Technol. J., vol. 8, no. 1, p. 64, 2021, doi: 10.24076/citec.2021v8i1.264.
F. A. Nugraha, N. H. Harani, R. Habibi, and R. N. S. Fatonah, “Sentiment Analysis on Social Distancing and Physical Distancing on Twitter Social Media using Recurrent Neural Network (RNN) Algorithm,” J. Online Inform., vol. 5, no. 2, pp. 195–204, 2020, doi: 10.15575/join.
D. D. Junianto, F. Ramdani, and D. Pramono, “Sistem Informasi Penentuan Lokasi Pembangunan Kawasan Industri di Kabupaten Mojokerto Menggunakan Metode Multi-Creteria Evaluation,” J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 2, no. 9, pp. 2476–2484, 2018.
W. D. Septiani, “Komparasi Metode Klasifikasi Data Mining Algoritma C4.5 Dan Naive Bayes Untuk Prediksi Penyakit Hepatitis,” None, vol. 13, no. 1, pp. 76–84, 2017, doi: 10.33480/pilar.v13i1.149.
T. Pattiasina and ; Didi Rosiyadi, “Techno Nusa Mandiri : Journal of Computing and Information Technology As an Accredited Journal Rank 4 based on SK Dirjen Risbang SK Nomor,” vol. 17, no. 1, pp. 23–30, 2020.
C. A. Sugianto, “Penerapan Teknik Data Mining Untuk Menentukan Hasil Seleksi Masuk Sman 1 Gibeber Untuk Siswa Baru Menggunakan Decision Tree,” pp. 39–43, 2017, doi: 10.31227/osf.io/vedu7.
R. Ningsih, Y. Azhar, and Y. Munarko, “Rekomendasi Lowongan Pekerjaan dari Portal Bursa Lowongan Kerja Memanfaatkan Cosine Similarity dan Simple Additive Weighting,” J. Repos., vol. 2, no. 5, p. 601, 2020, doi: 10.22219/repositor.v2i5.58.
T. Carneiro, R. V. M. Da Nobrega, T. Nepomuceno, G. Bin Bian, V. H. C. De Albuquerque, and P. P. R. Filho, “Performance Analysis of Google Colaboratory as a Tool for Accelerating Deep Learning Applications,” IEEE Access, vol. 6, pp. 61677–61685, 2018, doi: 10.1109/ACCESS.2018.2874767.
R. Cahyadi, A. Damayanti, and D. Aryadani, “Recurrent neural network (rnn) dengan long short term memory (lstm) untuk analisis sentimen data instagram,” vol. 5, pp. 1–9, 2020.
C. R. Aydln and T. Gungor, “Combination of recursive and recurrent neural networks for aspect-based sentiment analysis using inter-aspect relations,” IEEE Access, vol. 8, pp. 77820–77832, 2020, doi: 10.1109/ACCESS.2020.2990306.
D. A. Lionovan, L. W. Santoso, and R. Intan, “Klasifikasi Topik dan Analisa Sentimen Terhadap Kuesioner Umpan Balik Universitas Menggunakan Metode Long Short-Term Memory,” J. Infra, vol. 8, no. 2, pp. 1–6, 2017.
A. Puspaningrum and M. S. Bunga, “Klasifikasi Perubahan Perangkat Lunak pada Mobile App Review dengan Menggunakan Metode Long Short Term Memory ( LSTM ) Jurnal IKRA-ITH Informatika Vol 4 No 3 November 2020 Jurnal IKRA-ITH Informatika Vol 4 No 3 November 2020,” vol. 4, no. 08, pp. 41–46.
A. Faadilah, “Analisis Sentimen Pada Ulasan Aplikasi Tokopedia Di Google Play Store Menggunakan Metode Long Short Term Memory,” 2020.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Destiana Putri, Ade Suryanto (Author)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
