Bilah Samping Artikel

Telah diserahkan
Apr 11, 2025
Diterima
Jun 3, 2025
Diterbitkan
Jun 3, 2025
Download
PDF
Statistic
Read Counter : 69 Download : 42

Isi Artikel Utama

Abstrak

Perkembangan teknologi saat ini mempermudah proses belajar bahasa melalui aplikasi seperti Duolingo. Penelitian ini bertujuan untuk memahami persepsi pengguna terhadap Duolingo dengan menggunakan analisis sentimen berbasis VADER (Valence Aware Dictionary and Sentiment Reasoner). Ulasan pengguna dari Google Play Store diproses menggunakan Google Collaboratory, menghasilkan 1.831 data yang dikelompokkan sebagai netral, negatif, dan positif. Hasil analisis menunjukkan akurasi keseluruhan sebesar 98 persen. Model ini efektif dalam mengidentifikasi sentimen netral (presisi 100 persen, recall 97 persen, F1-score 99 persen) dan positif (presisi 99 persen, recall 82 persen, F1-score 99 persen). Namun, model kurang efektif dalam mendeteksi emosi negatif, dengan F1-score 74 persen, recall 82 persen, dan presisi 67 persen, yang menunjukkan adanya kesalahan klasifikasi pada beberapa emosi negatif. Awan kata menunjukkan kata-kata positif seperti "good," "helpful", dan "fun," serta kata-kata negatif seperti "technical problems" dan "learning limitations." Tantangan dalam penggunaan VADER termasuk ketidakmampuan menangani konteks bahasa yang kompleks dan nuansa emosional yang mendalam. Untuk meningkatkan klasifikasi sentimen, penelitian ini merekomendasikan penggunaan VADER bersama Deep-Translator. Kombinasi ini dapat membantu mengidentifikasi sentimen negatif dengan lebih baik dan menangani data dengan berbagai bahasa secara lebih efisien. Tujuan penelitian ini adalah untuk memahami sudut pandang pengguna dan meningkatkan akurasi analisis sentimen, sehingga berkontribusi pada pengembangan aplikasi pembelajaran bahasa yang lebih baik.

Kata Kunci

Analisis Sentimen Deep-Translator Duolingo Google Collaboratory VADER

Rincian Artikel

Creative Commons License

Artikel ini berlisensi Creative Commons Attribution-NoDerivatives 4.0 International License.

Cara Mengutip
[1]
V. H. Leonardi, A. Ibrahim, R. D. Kurnia, dan M. Afrina, “Analisis Sentimen Ulasan Aplikasi Pembelajaran Bahasa Menggunakan Metode VADER”, Jurnal Algoritma, vol. 22, no. 1, hlm. 767–776, Jun 2025.
Unduh Sitasi
Endnote/Zotero/Mendeley (RIS)
Crossref
Scopus
Google Scholar
Europe PMC

References

  1. M. Oliveira, A. Abelha, R. Sousa, and H. Peixoto, “Gamification in mobile applications: techniques, benefits and challenges,” Procedia Comput Sci, vol. 251, pp. 678–683, 2024, doi: 10.1016/j.procs.2024.11.168.
  2. T. Salsabila, N. Nafilah, F. Patangga, S. Zulfa, and N. Listyaningsih, “Nomor 04,” 2024.
  3. A. Saninah, W. Prihartono, and C. L. Rohmat, “ANALISIS SENTIMEN ULASAN PENGGUNA TERHADAP APLIKASI PEMBELAJARAN BERBAHASA DUOLINGO MENGGUNAKAN ALGORITMA NAÏVE BAIYES CLASSIFIER,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 13, no. 1, Jan. 2025, doi: 10.23960/jitet.v13i1.5691.
  4. F. Alifiana, F. Asnawi, I. A. Ihsannudin, M. Alif, M. Baihaqy, and D. Asmarajati, “ANALISIS SENTIMEN APLIKASI DUOLINGO MENGGUNAKAN ALGORITMA NAÏVE BAYES DAN SUPPORT MACHINE LEARNING,” JURNAL DEVICE, vol. 13, pp. 223–230, 2023.
  5. D. Chi, T. Huang, Z. Jia, and S. Zhang, “Research on sentiment analysis of hotel review text based on BERT-TCN-BiLSTM-attention model,” Array, vol. 25, Mar. 2025, doi: 10.1016/j.array.2025.100378.
  6. R. Chandra and E. M. Sipayung, “Analisis Sentimen Ulasan Aplikasi Samsat Digital Nasional Menggunakan Algoritma Naive Bayes Classifier,” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 10, no. 3, pp. 156–164, Jan. 2025, doi: 10.25077/TEKNOSI.v10i3.2024.156-164.
  7. R. N. Patil, Y. P. Singh, S. A. Rawandale, and S. Singh, “Improving Sentiment Classification on Restaurant Reviews Using Deep Learning Models,” in Procedia Computer Science, Elsevier B.V., 2024, pp. 3246–3256. doi: 10.1016/j.procs.2024.04.307.
  8. M. Isnan, G. N. Elwirehardja, and B. Pardamean, “Sentiment Analysis for TikTok Review Using VADER Sentiment and SVM Model,” in Procedia Computer Science, Elsevier B.V., 2023, pp. 168–175. doi: 10.1016/j.procs.2023.10.514.
  9. V. K. Rao et al., “Digital Epidemiology of Prescription Drug References on X (Formerly Twitter): Neural Network Topic Modeling and Sentiment Analysis,” J Med Internet Res, vol. 26, 2024, doi: 10.2196/57885.
  10. E. Elinda, H. Yuliansyah, and M. I. A. Latiffi, “Sentiment Analysis of the Sheikh Zayed Grand Mosque’s Visitor Reviews on Google Maps Using the VADER Method,” International Journal of Advances in Data and Information Systems, vol. 5, no. 1, pp. 71–84, Apr. 2024, doi: 10.59395/ijadis.v5i1.1320.
  11. R. Hasanah, Z. Hasanah, S. Ardi Wijaya, D. Abdennasser, and A.-N. Sharkawy, “Play Store Data Scrapping and Preprocessing done as Sentiment Analysis Material,” 2025. [Online]. Available: https://journal.abhinaya.co.id/index.php/IJMST
  12. I. Syahrohim, S. D. Saputra, R. W. Saputra, V. H. Pranatawijaya, and R. Priskila, “PERBANDINGAN ANALISIS SENTIMEN SETELAH PILPRES 2024 DI TWITTER MENGGUNAKAN ALGORITMA MACHINE LEARNING,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 12, no. 2, Apr. 2024, doi: 10.23960/jitet.v12i2.4249.
  13. A. Hagi and D. B. Rarasati, “Sentiment Analysis of Sirekap Application Review Using Logistic Regression Algorithm,” Jurnal Informatika, vol. 11, no. 2, pp. 55–64, Aug. 2024, doi: 10.31294/inf.v11i2.22066.
  14. A. Karim, M. Mansab, M. Shahroz, M. F. Mushtaq, and I. cheol Jeong, “Anticipating impression using textual sentiment based on ensemble LRD model,” Mar. 05, 2025, Elsevier Ltd. doi: 10.1016/j.eswa.2024.125717.
  15. Abd. A. Syam, G. Hardy M, A. Salim, D. F. Surianto, and M. Fajar B, “ANALISIS TEKNIK PREPROCESSING PADA SENTIMEN MASYARAKAT TERKAIT KONFLIK ISRAEL-PALESTINA MENGGUNAKAN SUPPORT VECTOR MACHINE,” JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), vol. 9, no. 3, pp. 1464–1472, Aug. 2024, doi: 10.29100/jipi.v9i3.5527.
  16. M. T. Hidayat, R. Kurniawan, and T. Suprapti, “Optimizing Sentiment Analysis on the Linux Desktop Using N-Gram Features,” Jurnal Informatika, vol. 12, no. 1, pp. 37–45, Mar. 2025, doi: 10.31294/inf.v12i1.24773.
  17. C. Angkisan -13523091, “Makalah IF2123 Aljabar Linier dan Geometri-Teknik Informatika ITB-Semester I Tahun,” 2024.
  18. I. L. Kharisma, D. A. Septiani, A. Fergina, and K. Kamdan, “Penerapan Algoritma Decision Tree untuk Ulasan Aplikasi Vidio di Google Play,” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 9, no. 2, pp. 218–226, Sep. 2023, doi: 10.25077/teknosi.v9i2.2023.218-226.
  19. K. Fahmi, H. Holle, R. Alfianita, and H. M. Putri, “Evaluasi Teknik Preprocessing terhadap Kinerja Multinomial Naïve Bayes dalam Klasifikasi Pertanyaan Insincere,” vol. 12, no. 4, 2024, doi: 10.26418/justin.v12i4.82758.
  20. C. Ni et al., “Sentiment Dynamics Among Informal Caregivers in Web-Based Alzheimer Communities: Systematic Analysis of Emotional Support and Interaction Patterns,” JMIR Aging, vol. 7, p. e60050, Dec. 2024, doi: 10.2196/60050.
  21. N. Nuraini, A. J. Latipah, and N. A. Verdikha, “Analysis of FastText with Support Vector Machine for Hate Speech Classification on Twitter Social Media,” Jurnal Informatika, vol. 11, no. 2, pp. 73–79, Aug. 2024, doi: 10.31294/inf.v11i2.21107.
  22. M. I. Saputra, E. Nurmawati, and R. Abyasa, “Predicting Stock Price Movements with Technical, Fundamental, and Sentiment Analysis Using the LSTM Model,” Jurnal Informatika, vol. 12, no. 1, pp. 1–9, Mar. 2025, doi: 10.31294/inf.v12i1.22299.