ANALISIS SENTIMEN ULASAN APLIKASI ROBLOX DI GOOGLE PLAY STORE MENGGUNAKAN ALGORITMA BIDIRECTIONAL LONG SHORT-TERM MEMORY (BiLSTM)

Muhammad Nasrullah; Nurul Umami; Abdul Azis; Halwatunnisa Issolihah

Authors

Muhammad Nasrullah Institut Teknologi Kesehatan dan Aspirasi
Nurul Umami Institut Teknologi dan Kesehatan Aspirasi
Abdul Azis Institut Teknologi dan Kesehatan Aspirasi
Halwatunnisa Issolihah Institut Teknologi dan Kesehatan Aspirasi

Keywords:

Sentiment Analysis, BiLSTM, Natural Language Processing, Google Play Store

Abstract

Ulasan pengguna pada Google Play Store merupakan sumber informasi yang penting untuk mengetahui tingkat kepuasan terhadap suatu aplikasi. Banyaknya ulasan yang tersedia menjadikan proses analisis secara manual kurang efektif, sehingga diperlukan metode analisis sentimen yang mampu mengklasifikasikan opini pengguna secara otomatis. Penelitian ini bertujuan menerapkan algoritma Bidirectional Long Short-Term Memory (BiLSTM) untuk mengklasifikasikan sentimen ulasan aplikasi Roblox berbahasa Indonesia. Data diperoleh melalui web scraping Google Play Store, kemudian diproses menggunakan tahapan preprocessing yang meliputi case folding, cleaning, normalisasi, tokenisasi, stopword removal, dan stemming menggunakan PySastrawi. Sebanyak 285 ulasan digunakan dalam penelitian dengan pembagian 80% data latih dan 20% data uji. Hasil evaluasi menunjukkan bahwa model BiLSTM memperoleh akurasi 64,91%, precision 42,14%, recall 64,91%, dan F1-score 51,10%. Dominasi sentimen positif sebesar 64,6% menunjukkan bahwa sebagian besar pengguna memberikan penilaian yang baik terhadap aplikasi Roblox. Penelitian ini membuktikan bahwa BiLSTM dapat diterapkan untuk analisis sentimen ulasan aplikasi, meskipun performanya masih dipengaruhi oleh ketidakseimbangan distribusi data sehingga diperlukan optimasi pada penelitian selanjutnya.

Downloads

Download data is not yet available.

References

Alda, M., Syahfitri, A. A., Aji, A. P., & Abdul Aziz, F. (2025). Analisis Sistematis Tren Pengembangan Aplikasi Mobile di Indonesia pada Periode Tahun 2024-2025. Jurnal Manajemen Informatika, Sistem Informasi Dan Teknologi Komputer (JUMISTIK), 4(2), 632–641. https://doi.org/10.70247/jumistik.v4i2.223

Alghifari, D. R., Edi, M., & Firmansyah, L. (2022). Implementasi Bidirectional LSTM untuk Analisis Sentimen Terhadap Layanan Grab Indonesia. Jurnal Manajemen Informatika (JAMIKA), 12(2), 89–99. https://doi.org/10.34010/jamika.v12i2.7764

Aljabar, A., & Abd Karim, A. A. (2022). Analisis Sentimen Menggunakan Algoritma Lstm Pada Media Sosial. Jurnal Publikasi Ilmu Komputer Dan Multimedia (JUPIKOM), 1(3), 182. http://ejurnal.stie-trianandra.ac.id/index.php

Franklyn Bachruddin Wewengkang, H., Wungguli, D., Imansyah Yahya, N., Hasan, I. K., & Nurmardia Abdussamad, S. (2025). Implementasi Bidirectional LSTM Dengan Word Embedding FastText Dalam Analisis Sentimen Ulasan Pengguna Aplikasi Maxim. Riset Mahasiswa Matematika, 4(5), 204–217. https://doi.org/10.18860/jrmm/v4i5.33358

Habib Kusuma, I., & Cahyono, N. (2023). Analisis Sentimen Masyarakat Terhadap Penggunaan E-Commerce Menggunakan Algoritma K-Nearest Neighbor. Jurnal Informatika: Jurnal Pengembangan IT (JPIT), 8(3), 302–307.

Hisyam Pradhana, A., Daniati, E., Muzaki, M. N., & Informasi, S. (2025). Penerapan Bi-LSTM Untuk Named Entity Recognition Pada Teks Bahasa Indonesia. IJCSR: The Indonesian Journal of Computer Science Research E, 4(2), 96–105. https://doi.org/https://doi.org/10.59095/ijcsr.v4i2.208

Nofirman, N., Munawir, M., & Wattimena, F. Y. (2026). Perbandingan Kinerja Algoritma Machine Learning untuk Prediksi Cuaca di Wilayah Tropis Indonesia: Studi Komparatif Random Forest, SVM, LSTM, XGBoost, dan LightGBM. Journal Innovations Computer Science, 5(1), 49–68. https://doi.org/10.56347/jics.v5i1.420

Permatasari, P. A., Linawati, L., & Jasa, L. (2021). Survei Tentang Analisis Sentimen Pada Media Sosial. Majalah Ilmiah Teknologi Elektro, 20(2), 177. https://doi.org/10.24843/mite.2021.v20i02.p01

Pringsewu, U. A., Dan, P., Kinerja, E., Svm, A., Bi-Lstm, D., Nursyanti, R., Alamsyah, N., & Yusuf, T. M. (2025). Perbandingan Dan Efektivitas Kinerja Algoritma Svm Dan Bi-Lstm Dengan Tf-Idf Dan Smote Untuk Analisis Sentimen Kelestarian Hewan Liar. Aisyah Journal of Informatics and Electrical EngineeringUniversitas Aisyah Pringsewu, 7(1), 137–145. https://doi.org/https://doi.org/10.30604/jti.v7i1.653

Rahman, M. Z., Sari, Y. A., & Yudistira, N. (2021). Analisis Sentimen Tweet COVID-19 menggunakan Word Embedding dan Metode Long Short-Term Memory (LSTM) (Vol. 5, Number 11). http://j-ptiik.ub.ac.id

Sejati, W., Singh Bist, A., & Tambunan, A. (2023). Pengembangan Analisis Sentimen dalam Rekayasa Software Engineering menggunakan tinjauan literatur sistematis. Jurnal MENTARI: Manajemen Pendidikan Dan Teknologi Informasi, 2(1), 95–103. https://doi.org/https://doi.org/10.33050/mentari.v2i1.377

Widowati, T. T., & Sadikin, M. (2020). Analisis Sentimen Twitter Terhadap Tokoh Publik Dengan Algoritma Naive Bayes Dan Support Vector Machine. Jurnal SIMETRIS, 11(2), 156–162. https://doi.org/https://doi.org/10.24176/simet.v11i2.4568