KLASIFIKASI ULASAN PENGGUNA PADA APLIKASI KESEHATAN MENTAL (RILIV) MENGGUNAKAN ALGORITMA RANDOM FOREST

ROSIYANA PERMATA SARI, . (2026) KLASIFIKASI ULASAN PENGGUNA PADA APLIKASI KESEHATAN MENTAL (RILIV) MENGGUNAKAN ALGORITMA RANDOM FOREST. Sarjana thesis, UNIVERSITAS NEGERI JAKARTA.

	Text COVER.pdf Download (723kB)
	Text BAB 1.pdf Download (251kB)
	Text BAB 2.pdf Restricted to Registered users only Download (467kB) | Request a copy
	Text BAB 3.pdf Restricted to Registered users only Download (448kB) | Request a copy
	Text BAB 4.pdf Restricted to Registered users only Download (870kB) | Request a copy
	Text BAB 5.pdf Restricted to Registered users only Download (236kB) | Request a copy
	Text DAFTAR PUSTAKA.pdf Download (249kB)
	Text LAMPIRAN.pdf Restricted to Registered users only Download (178kB) | Request a copy

Abstract

Aplikasi kesehatan mental (Riliv) memiliki riwayat unduhan terbanyak dengan beragam ulasan dari pengguna. Ulasan pengguna pada aplikasi tersebut mengandung informasi penting terkait pengalaman dan kepuasan pengguna yang dapat dimanfaatkan untuk mengevaluasi kualitas layanan. Berdasarkan hal tersebut, terdapat 3000 data ulasan pengguna yang perlu dianalisis untuk dilakukan klasifikasi sebagai ulasan positif, negatif, dan netral menggunakan algoritma Random Forest. Penelitian ini bertujuan mengetahui hasil performa dari implementasi algoritma Random Forest untuk melakukan klasifikasi ulasan pengguna pada aplikasi kesehatan mental Riliv. Hasil penelitian menunjukkan bahwa model Random Forest memberikan tingkat akurasi yang tinggi dalam analisis sentimen pengguna aplikasi Riliv dengan akurasi sebesar 86,5%. Berdasarkan classification report, kelas sentimen positif memiliki performa terbaik dengan nilai precision sebesar 94,5%, recall sebesar 88,2%, dan F1-score sebesar 91,3%. Kelas sentimen netral juga menunjukkan kinerja yang baik dengan nilai precisison 80,1%, recall yang tinggi 92,1%, dan F1-score 85,7% menandakan bahwa sebagian besar ulasan netral dapat dikenali dengan tepat. Namun, kelas sentimen negatif memiliki performa paling rendah dengan nilai precision 54,5%, recall 33,3%, dan F1-score sebesar 41,4%, yang menunjukkan bahwa masih terdapat ulasan negatif yang tidak terklasifikasikan dengan baik. Analisis eror menunjukkan bahwa kesalahan klasifikasi umumnya disebabkan oleh ambiguitas bahasa, campuran emosi dalam satu ulasan, serta keterbatasan model dalam memahami makna. Secara keseluruhan, hasil penelitian ini menunjukkan bahwa algoritma Random Forest efektif digunakan untuk analisis sentimen ulasan pengguna aplikasi kesehatan mental, namun diperlukan pengembangan lebih lanjut, seperti peningkatan kualitas fitur untuk meningkatkan performa pada kelas sentimen negatif. ***** The mental health application Riliv has a large number of downloads and receives a wide range of user reviews. These user reviews contain valuable insights into user experiences and satisfaction, which can be utilized to evaluate service quality. Based on this, a total of 3,000 user review data were analyzed and classified into positive, negative, and neutral sentiments using Random Forest algorithm. This research aims to evaluate the performance of the Random Forest algorithm for sentiment classification tasks. The results show that the Random Forest model achieves a high level of accuracy, with an accuracy of 86.5% in analyzing user sentiment toward the Riliv application. Based on the classification report, the positive sentiment class demonstrates the highest performance, with a precision of 94,5%, a recall of 88,2%, and an F1-score of 91,3%. The neutral sentiment class also shows good performance, with a precision of 80.1%, a high recall of 92.1%, and an F1-score of 85.7%, indicating that most neutral reviews are correctly identified. In contrast, the negative sentiment class shows the lowest performance, with a precision of 54.5%, a recall of 33.3%, and an F1-score of 41.4%, suggesting that a portion of negative reviews remains misclassified. Error analysis indicates that these misclassifications are primarily caused by linguistic ambiguity, mixed emotional expressions within individual reviews, and the model’s limited capability to capture contextual meaning. Overall, the findings confirm that the Random Forest algorithm is effective for sentiment analysis of user reviews in mental health applications; however, further improvements, such as enhanced feature representation, are required to improve performance on the negative sentiment class.

Item Type:	Thesis (Sarjana)
Additional Information:	1). Dr. Widodo, M.Kom. ; 2). Neng Ayu Herawati, S.Pd., M.T.
Subjects:	Teknologi dan Ilmu Terapan > Teknik Komputer
Divisions:	FT > S1 Pendidikan Teknik Informatika Komputer
Depositing User:	Rosiyana Permata Sari .
Date Deposited:	23 Jan 2026 03:17
Last Modified:	23 Jan 2026 03:17
URI:	http://repository.unj.ac.id/id/eprint/63473

Actions (login required)

View Item