Di era digital, aplikasi seperti Get Contact telah menjadi aplikasi populer untuk memblokir panggilan spam dan memungkinkan pengguna melihat bagaimana nama mereka disimpan di kontak orang lain. Namun, popularitas ini juga menghadirkan tantangan bagi pengembang untuk menganalisis ribuan ulasan pengguna yang tersedia di Play Store. Menilai ulasan secara manual bukan hanya memakan waktu, tetapi juga rawan kesalahan. Oleh karena itu, pendekatan berbasis kecerdasan buatan seperti sentiment analysis menjadi solusi yang sangat relevan.
Penelitian terbaru oleh Faisal Fahmi dan Ajeng Mustika Pratiwi dari Universitas Airlangga menunjukkan bagaimana Natural Language Processing (NLP) dapat digunakan untuk mengidentifikasi sentimen dalam ulasan pengguna aplikasi Get Contact. Penelitian ini memanfaatkan beberapa algoritma pembelajaran mesin untuk menentukan model terbaik dalam menganalisis data ulasan. Lima algoritma yang diuji meliputi Naive Bayes, Deep Learning, Random Forest, K-Nearest Neighbor (k-NN), dan Decision Tree.
Langkah-langkah penelitian dimulai dari pengumpulan data ulasan, pemberian label pada data (positif atau negatif) secara intuitif, pra-pemrosesan teks, analisis TF-IDF (Term Frequency-Inverse Document Frequency), pengujian algoritma, hingga evaluasi hasil. Algoritma Naive Bayes menjadi yang paling unggul dalam hal precision dengan skor 65,82%. Hal ini menunjukkan bahwa Naive Bayes mampu secara efektif mengidentifikasi ulasan negatif dengan tingkat akurasi yang lebih baik dibandingkan algoritma lainnya.
Selain Naive Bayes, algoritma Deep Learning dan k-NN juga menunjukkan performa yang baik, meskipun sedikit lebih rendah dari Naive Bayes dalam hal precision. Deep Learning, dengan arsitektur dua lapisan tersembunyi dan fungsi aktivasi ReLU, mampu menangkap pola data yang kompleks. Sementara itu, algoritma k-NN, dengan parameter K=5, memberikan keseimbangan yang baik antara bias dan varians dalam klasifikasi sentimen.
Pra-pemrosesan data memainkan peran penting dalam keberhasilan penelitian ini. Tahap ini melibatkan tokenisasi, transformasi huruf menjadi huruf kecil, dan penghapusan kata-kata yang tidak relevan (stopwords). Langkah-langkah ini memastikan data ulasan yang dianalisis menjadi lebih terstruktur dan relevan untuk digunakan dalam model pembelajaran mesin.
Penelitian ini memberikan kontribusi penting dalam pengembangan aplikasi. Dengan memahami sentimen pengguna, pengembang dapat dengan cepat mengidentifikasi kekurangan pada aplikasi dan membuat perbaikan yang relevan. Misalnya, ulasan negatif dapat digunakan untuk mengatasi masalah seperti bug atau antarmuka yang sulit digunakan, sehingga meningkatkan pengalaman pengguna secara keseluruhan.
Hasil penelitian ini juga menunjukkan potensi besar NLP dalam analisis ulasan pengguna di berbagai platform digital. Dengan memanfaatkan algoritma yang tepat, pengembang aplikasi tidak hanya dapat meningkatkan kualitas produk mereka tetapi juga menjaga kepuasan pengguna. Penelitian ini menjadi bukti bahwa teknologi kecerdasan buatan dapat mengubah cara pengembang memahami kebutuhan pengguna dan merespons masukan dengan lebih efektif.
Penulis: Faisal Fahmi, S.Pd., M.Sc., Ph.D
