Penerapan Metode Non-Negative Matrix Factorization dan Support Vector Machine pada Sentimen Pengguna terhadap Update Minecraft 1.21 berbasis Website

Tengku Syafiq Ali Syahputra; Ardian Prima Atmaja; Susilo Veri Yulianto

doi:10.31358/techne.v25i1.640

Authors

Tengku Syafiq Ali Syahputra Politeknik Negeri Madiun
Ardian Prima Atmaja Politeknik Negeri Madiun
Susilo Veri Yulianto Politeknik Negeri Madiun

DOI:

https://doi.org/10.31358/techne.v25i1.640

Keywords:

Non-Negative Matrix Factorization (NMF), Support Vector Machine (SVM), Analisis Sentimen, Minecraft

Abstract

Perkembangan teknologi informasi telah mengubah cara manusia menyampaikan pendapat melalui media sosial dan platform ulasan daring. Dalam konteks permainan digital, komunitas pemain memiliki peran penting dalam membentuk persepsi terhadap kualitas
game melalui komentar dan ulasan yang mereka berikan. Sebagai salah satu game sandbox terpopuler, setiap pembaruan (update) Minecraft sering kali memunculkan reaksi beragam dari pemain, namun komentar yang sangat banyak dan tidak terstruktur sering kali tidak dianalisis secara menyeluruh. Kondisi ini menunjukkan pentingnya sistem yang mampu mengolah ulasan pengguna secara otomatis untuk membantu pengembang memahami persepsi pemain. Penelitian ini membahas penerapan metode Non-Negative Matrix
Factorization (NMF) dan Support Vector Machine (SVM) pada analisis sentimen pengguna terhadap update Minecraft 1.21 berbasis website. Tujuan penelitian ini adalah mengembangkan aplikasi web yang dapat mengekstrak topik, mengklasifikasikan sentimen
pengguna, dan menampilkan hasil dalam bentuk visualisasi yang informatif. Hasil penelitian menunjukkan tingkat akurasi sebesar 90,95%, dengan distribusi sentimen netral (36,7%), negatif (32,5%), dan positif (30,8%). Analisis topik menggunakan NMF mengungkapkan tema dominan terkait masalah teknis, pengalaman positif, dan fitur baru. Secara keseluruhan, kombinasi metode NMF dan SVM memberikan pemahaman yang komprehensif terhadap persepsi pengguna terhadap pembaruan Minecraft.

Downloads

Download data is not yet available.

References

E. M. Cigognini and A. Nardi, "Minecraft as an Educational Tool Before, During, and After the Pandemic: A Case Study Research Project," European Journal of Open, Distance and E-Learning, vol. 26, no. 1, pp. 87–103, 2024. [Online]. Available: https://doi.org/10.2478/eurodl-2024-0011

M. Wankhade, A. C. S. Rao, and C. Kulkarni, "A survey on sentiment analysis methods, applications, and challenges," Artificial Intelligence Review, vol. 55, no. 7, pp. 5731–5780, 2022. [Online]. Available: https://doi.org/10.1007/s10462-022-10144-1

B. AlBadani, R. Shi, and J. Dong, "A Novel Machine Learning Approach for Sentiment Analysis on Twitter Incorporating the Universal Language Model Fine-Tuning and SVM," Applied System Innovation, vol. 5, no. 1, 2022. [Online]. Available: https://doi.org/10.3390/asi5010013

S. R. Hakim, M. A. Rizki, N. Fitri, Y. A. Rizkie, and R. Nooraeni, "Analisis Sentimen Pengguna Instagram Terhadap Kebijakan Kemdikbud Mengenai Bantuan Kuota Internet dengan Metode Support Vector Machine (SVM)," Jurnal Matematika dan Statistika serta Aplikasinya, vol. 8, no. 2, pp. 15-24, 2020. [Online]. Available: https://doi.org/10.24252/msa.v8i2.16795

S. Fide, S. Suparti, and S. Sudarno, "Analisis sentimen ulasan aplikasi TikTok di Google Play menggunakan metode Support Vector Machine (SVM) dan asosiasi," Jurnal Gaussian, vol. 10, no. 3, pp. 346–358, 2021. [Online]. Available: https://doi.org/10.14710/j.gauss.10.3.346-358

M. Yolanda and R. T. Mulya, "Implementasi Metode Support Vector Machine untuk Analisis Sentimen pada Ulasan Aplikasi Sayurbox di Google Play Store," VARIANSI: Journal of Statistics and Its Application on Teaching and Research, vol. 6, no. 2, pp. 76–83, 2024. [Online]. Available: https://doi.org/10.35580/variansiunm258

R. B. Afandi, T. F. Nurdiansyah, A. N. Ramadhani, and A. P. Sari, "Implementasi Support Vector Machine untuk Analisis Sentimen Aplikasi 'MPStore–Super App UMKM'," Jurnal Informatika Polinema (JIP), vol. 10, no. 4, pp. 565-569, 2024.

A. Tabassum and R. R. Patil, "A Survey on Text Pre-Processing & Feature Extraction Techniques in Natural Language Processing," International Research Journal of Engineering and Technology, vol. 7, no. 6, pp. 4864-4867, 2020. [Online]. Available: www.irjet.net

A. Petukhova and N. Fachada, "TextCL: A Python package for NLP preprocessing tasks," SoftwareX, vol. 19, 2022. [Online]. Available:

https://doi.org/10.1016/j.softx.2022.101122

M. Das, K. Selvakumar, and P. J. A. Alphonse, “A Comparative Study on TF-IDF Feature Weighting Method and Its Analysis Using Unstructured Dataset,” 2023. [Online]. Available: https://arxiv.org/abs/2308.04037

X. Lin and P. C. Boutros, "Optimization and expansion of non-negative matrix factorization," BMC Bioinformatics, vol. 21, no. 1, 2020. [Online]. Available: https://doi.org/10.1186/s12859-019-3312-5

S. Mifrah, "Topic Modeling Coherence: A Comparative Study between LDA and NMF Models using COVID-19 Corpus," International Journal of Advanced Trends in Computer Science and Engineering, 2020. [Online]. Available: https://doi.org/10.30534/ijatcse/2020/231942020

D. Jurafsky and J. H. Martin, Speech and Language Processing: An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition, with Language Models, 3rd ed., online manuscript, 2020. [Online]. Available: https://web.stanford.edu/~jurafsky/slp3/old_dec20/ed3book_dec302020.pdf

N. Hadi and D. Sugiarto, "Analisis Sentimen Pembangunan IKN pada Media Sosial X Menggunakan Algoritma SVM, Logistic Regression dan Naïve Bayes," Jurnal Informatika: Jurnal Pengembangan IT, Vol. 10, no. 1, pp. 37-49, 2025. [Online]. Available: https://doi.org/10.30591/jpit.v10i1.7106

G. R. Ditami, E. F. Ripanti, and H. Sujaini, "Implementasi Support Vector Machine untuk Analisis Sentimen Terhadap Pengaruh Program Promosi Event Belanja pada Marketplace," Jurnal Edukasi dan Penelitian Informatika (JEPIN), vol. 8, no. 3, pp. 508–516, 2022. [Online]. Available: https://doi.org/10.26418/jp.v8i3.56478

E. Sukmana and L. Nilawati, “Penerapan Machine Learning Pada Sistem Informasi Klasifikasi Informasi Penggalian Potensi Pajak,” Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi, vol. 13, no. 3, 2024. [Online]. Available: http://dx.doi.org/10.35889/jutisi.v13i3.2323.

M. Ramdhan, Metode Penelitian, Surabaya: Cipta Media Nusantara, 2021.

M. Opalski, A case study: A detailed look at real-world machine learning project using Agile, AI-Agile.org, 2023. [Online]. Available: https://www.ai-agile.org/2023/10/case-study-detailed-look-at-real-world.html