Implementasi Algoritma Support Vector Machine untuk Analisis Sentimen Ulasan Pengguna Aplikasi Deepseek

Aplikasi AI chatbot DeepSeek merupakan aplikasi yang dikembangkan perusahaan Tiongkok yang rilis pada 8 Januari 2025 dan telah menjadi perbincangan publik karena kemampuannya yang diklaim dapat menyaingi ChatGPT, menjadi latar belakang penelitian ini. Pengguna memberikan review atau ulasan tentang aplikasi, tentunya pengguna mengharapkan aplikasi yang memiliki kualitas bagus. Namun, memahami ulasan dalam jumlah banyak dari masyarakat umum tidaklah mudah, karena itu diperlukan analisis sentimen. Studi ini menganalisis sentimen pengguna terhadap aplikasi DeepSeek menggunakan metode klasifikasi Support Vector Machine (SVM), metode KNN dan Naive Bayes sebagai perbandingan. Ulasan aplikasi DeepSeek diklasifikasikan menjadi sentimen positif dan negatif. Data yang digunakan merupakan ulasan atau review pengguna aplikasi DeepSeek yang dikumpulkan dari Google PlayStore selama periode 8 januari 2025 hingga 8 mei 2025. Dari klasifikasi metode lexicon based didapatkan 13.538 ulasan positif dan 3.497 ulasan negatif dari 17.035 sampel ulasan pengguna DeepSeek periode 8 Januari hingga 8 Mei 2025. Metode Support Vector Machine (SVM) dalam mengklasifikasi data review mendapatkan akurasi tertinggi pada pembagian data latih & data uji 90:10 sebesar 95,07% lalu presisi 98,04%, recall 95,73%, dan F1- Score sebesar 96,87%. Metode Naive Bayes mendapatkan akurasi 91,07%, presisi sebesar 91% dan recall 97%. Sedangkan metode KNN mendapatkan akurasi 90,49%, presisi sebesar 94%, dan recall 93%. Dari hasil tersebut, dapat disimpulkan bahwa SVM lebih unggul dalam mengolah data ulasan pengguna aplikasi DeepSeek dibandingkan dengan Naïve Bayes dan KNN. Hal ini menunjukkan bahwa SVM lebih efektif dalam menangani data teks ulasan yang besar dan kompleks. Dari klasifikasi dan visualisasi didapatkan pengetahuan berupa kata yang sering muncul di ulasan positif seperti "good", "best", "love", dan "chatgpt", sementara di ulasan negatif terdapat kata "server", "problem", "error", dan "busy".