PURWANTI, Wahyu Indah (2025) Analisis Sentimen pada Ulasan Pengguna Aplikasi Character AI Menggunakan Seleksi Fitur Chi-Square dan Metode Support Vector Machine. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. COVER.pdf Download (32kB)
	Text 2. Halaman Pernyataan Keaslian Skripsi.pdf Download (74kB)
	Text 3. Halaman Pengesahan.pdf Download (80kB)
	Text 4. Kata Pengantar.pdf Download (77kB)
	Text 6. Abstrak.pdf Download (77kB)
	Text 7. Abstract.pdf Download (76kB)
	Text 8. Daftar Isi.pdf Download (48kB)
	Text 11. BAB I PENDAHULUAN.pdf Download (162kB)
	Text 16. DAFTAR PUSTAKA.pdf Download (87kB)

Abstract

Perkembangan Artificial Intelligence (AI) semakin pesat sejak hadirnya Generative AI dan
Large Language Models (LLMs), yang menjadi dasar teknologi terciptanya AI Companion.
Salah satu aplikasi AI Companion yang populer adalah Character AI, yaitu aplikasi yang
memungkinkan pengguna berinteraksi dengan karakter virtual yang diciptakan sesuai
preferensi masing-masing. Hingga Agustus 2024, aplikasi ini telah diunduh lebih dari 10
juta kali dan menerima lebih dari 1,11 juta ulasan di Google Play Store. Banyaknya ulasan
tersebut menunjukkan tingginya antusiasme dari pengguna. Namun ulasan yang tampak
baik dari segi kuantitas belum tentu mengandung sentimen positif secara isi. Oleh karena
itu, penelitian ini bertujuan untuk menganalisis sentimen pengguna terhadap aplikasi
Character AI menggunakan metode klasifikasi Support Vector Machine (SVM) dengan tiga
kernel, yaitu Linear, Radial Basis Function (RBF), dan Polynomial. Dataset yang
digunakan berjumlah 15000 data ulasan yang diekstraksi menggunakan TF-IDF dan
menghasilkan 2372 fitur. Chi-Square digunakan sebagai metode seleksi fitur untuk
mereduksi dimensi dan meningkatkan relevansi fitur terhadap label sentimen, sehingga
jumlah fitur berkurang menjadi 521 fitur yang paling informatif. Hasil pengujian
menunjukkan bahwa kernel RBF dengan parameter C = 100 dan γ = 0,1 memberikan
performa terbaik dengan akurasi sebesar 94,15%. Selain itu, kernel RBF juga menunjukkan
performa terbaik pada masing-masing kelas, dengan F1-score kelas positif sebesar 95,00%
dan F1-score kelas negatif sebesar 92,96%. Temuan ini membuktikan bahwa model SVM
dengan kernel RBF efektif dalam menganalisis sentimen pengguna terhadap Character AI.
Kata kunci : Analisis Sentimen, Character AI, Support Vector Machine, Chi-Square

Actions (login required)

View Item