EKSPLORASI PRA-PROSES LARGE LANGUAGE MODEL GEMINI 2.0 UNTUK KLASIFIKASI ULASAN SIREKAP MENGGUNAKAN SVM

Penulis

DOI:

https://doi.org/10.46576/djtechno.v7i2.9714

Kata Kunci:

Gemini, Large Language Model (LLM), SIREKAP 2024, Support Vector Machine (SVM).

Abstrak

Implementasi aplikasi SIREKAP 2024 dalam Pemilihan Umum menuai beragam respon publik. Ulasan Google Play Store menjadi data krusial untuk mengevaluasi kepuasan pengguna melalui rating. Studi ini bertujuan mengklasifikasikan ulasan SIREKAP ke dalam lima kategori rating. Metode yang digunakan adalah Support Vector Machine (SVM) dengan pembobotan TF-IDF. Kebaruan penelitian ini terletak pada pemanfaatan API Gemini 2.0 Flash (LLM) untuk tahap pra-proses, yang menangani koreksi ejaan dan normalisasi kata secara kontekstual. Analisis menunjukkan ketidakseimbangan kelas yang signifikan, didominasi oleh rating 1 sebesar 64,14%. Berdasarkan pengujian K-Fold Cross Validation, model LinearSVC menghasilkan rata-rata F1-Score sebesar 36,68%. Skor ini menunjukkan kesulitan model dalam memprediksi kelas, sehingga memerlukan teknik penanganan lanjutan dalam penelitian mendatang untuk meningkatkan performa.

Referensi

M. Nurkamiden, “SiRekap : Tantangan dan Potensi Kekeliruan Proses Rekapitulasi Pemilu Serentak di Indonesia SiRekap: Challenges and Potential Errors in the Recapitulation Process of Simultaneous Elections in Indonesia,” 2024.

I. Aida Sapitri, M. Fikry, F. Sains dan Teknologi, and U. Islam Negeri Sultan Syarif Kasim Riau, “PENGKLASIFIKASIAN SENTIMEN ULASAN APLIKASI WHATSAPP PADA GOOGLE PLAY STORE MENGGUNAKAN SUPPORT VECTOR MACHINE,” Jurnal TEKINKOM, vol. 6, no. 1, 2023, doi: 10.37600/tekinkom.v6i1.773.

T. Aljrees et al., “Contradiction in text review and apps rating: prediction using textual features and transfer learning,” PeerJ Comput. Sci., vol. 10, 2024, doi: 10.7717/peerj-cs.1722.

R. Ridhoi, N. Azmi Verdikha, and F. Yulianto, “Analisis Klasifikasi Ulasan Aplikasi Sirekap 2024 menggunakan Ekstraksi Fitur DistilBert Dan Metode Support Vector Machine,” Jurnal Ilmiah Informatika (JIF), Mar. 2025.

T. Bendinelli, A. Dox, and C. Holz, “Exploring LLM Agents for Cleaning Tabular Machine Learning Datasets,” ICLR 2025 Workshop on Foundation Models in the Wild, Mar. 2025, [Online]. Available: http://arxiv.org/abs/2503.06664

M. Vangeli, “Large Language Models as Advanced Data Preprocessors Transforming Unstructured Text into Fine-Tuning Datasets,” 2024.

E. Boros, M. Ehrmann, M. Romanello, S. Najem-Meyer, and F. Kaplan, “Post-correction of Historical Text Transcripts with Large Language Models: An Exploratory Study,” Association for Computational Linguistics, pp. 133–159, Mar. 2024, Accessed: Oct. 29, 2025. [Online]. Available: https://aclanthology.org/2024.latechclfl-1.14/

N. Schwitter, “Using large language models for preprocessing and information extraction from unstructured text: A proof-of-concept application in the social sciences,” Method. Innov., vol. 18, no. 1, pp. 61–65, Mar. 2025, doi: 10.1177/20597991251313876.

K. N. Singh, A. Dorendro, H. M. Devi, and A. K. Mahanta, “Analysis of Changing Trends in Textual Data Representation,” in Communications in Computer and Information Science, Springer Science and Business Media Deutschland GmbH, 2021, pp. 237–251. doi: 10.1007/978-981-16-0507-9_21.

M. A. Mohammed, R. A. Alsunousi, and A. Alhenshiri, “The impact of Text Representation on Classification Accuracy,” African Journal of Advanced Pure and Applied Sciences, vol. 158, no. Volume 4, Issue 3, 2025, Aug. 2025, Accessed: Dec. 10, 2025. [Online]. Available: https://aaasjournals.com/index.php/ajapas/article/view/136

K. Alemerien, A. Al-Ghareeb, and M. Z. Alksasbeh, “Sentiment Analysis of Online Reviews: A Machine Learning Based Approach with TF-IDF Vectorization,” Journal of Mobile Multimedia, vol. 20, no. 5, pp. 1089–1116, 2024, doi: 10.13052/jmm1550-4646.2055.

I. Apriani, Y. Sibaroni, and I. Palupi, “Perbandingan Pembobotan Fitur TF-IDF dan TF-ABS Dalam Klasifikasi Berita Online Menggunakan Support Vector Machine (SVM),” e-Proceeding of Engineering, Jun. 2023.

W. Jayanata and I. Kurniawan, “Implementasi Metode Support Vector Machine (SVM) pada Model Prediksi Rating Obat Berdasarkan Ulasan Pasien,” LOGIC: Jurnal Penelitian Informatika, vol. 1, no. 1, p. 14, Sep. 2023, doi: 10.25124/logic.v1i1.6410.

U. Khaira, R. Aryani, and R. W. Hardian, “Komparasi Algoritma Naïve Bayes Dan Support Vector Machine (SVM) Pada Analisis Sentimen Kebijakan Kemdikbudristek Mengenai Kuota Internet Selama Covid-19,” Jurnal PROCESSOR, vol. 18, no. 2, Nov. 2023, doi: 10.33998/processor.2023.18.2.897.

A. Pangestu, Y. T. Arifin, and R. A. Safitri, “ANALISIS SENTIMEN REVIEW PUBLIK PENGGUNA GAME ONLINE PADA PLATFORM STEAM MENGGUNAKAN ALGORITMA NAÏVE BAYES,” 2023.

Robert Antonius, A. R. Zulkarnain, and H. Irsyad, “Pendekatan TF-IDF, SMOTE, dan SVM dalam Klasifikasi Sentimen Masyarakat terhadap Pemblokiran Judi Online,” Buletin Ilmiah Informatika Teknologi, vol. 2, no. 3, pp. 115–122, Jun. 2024, doi: 10.58369/biit.v2i3.65.

A. Janakiraman, B. Ghoraani, and D. Ph, “An Empirical Comparison of Text Summarization : A Multi-Dimensional Evaluation of Large Language Models,” arXiv preprint, vol. arXiv:2504, 2025.

M. Ridwan and E. Utami, “Optimized Hyperparameter Tuning for Improved Hate Speech Detection with Multilayer Perceptron,” Jurnal RESTI, vol. 8, no. 4, pp. 525–534, 2024, doi: 10.29207/resti.v8i4.5949.

W. Wijiyanto, A. I. Pradana, S. Sopingi, and V. Atina, “Teknik K-Fold Cross Validation untuk Mengevaluasi Kinerja Mahasiswa,” Jurnal Algoritma, vol. 21, no. 1, May 2024, doi: 10.33364/algoritma/v.21-1.1618.

L. Yang and A. Shami, “On Hyperparameter Optimization of Machine Learning Algorithms: Theory and Practice,” Jul. 2020, doi: 10.1016/j.neucom.2020.07.061.

Unduhan

Diterbitkan

2026-08-03

Terbitan

Vol 7 No 2 (2026): Agustus

Bagian

Articles

Lisensi

Pernyataan Hak Cipta dan Lisensi

  1. Hak Cipta atas naskah-naskah karya ilmiah di dalam Jurnal ini dipegang oleh Penulis.
  2. Penulis menyerahkan hak saat pertama kali mempublikasi Naskah karya ilmiahnya dan secara bersamaan Penulis memberikan izin/lisensi dengan mengacu pada  Creative Commons Attribution-ShareAlike 4.0 International License kepada pihak lain untuk menyebarkan karya ilmiahnya tersebut dengan tetap mencantumkan penghargaan bagi penulis dan Djtechno sebagai media Publikasi pertama atas karya tersebut.
  3. Hal-hal yang berkaitan dengan non-eksklusivitas pendistribusian Jurnal yang menerbitkan karya ilmiah penulis dapat diperjanjikan secara terpisah (contoh: permintaan untuk menempatkan karya yang dimaksud pada perpustakaan suatu institusi atau menerbitkannya sebagai buku) dengan Penulis sebagai salah satu pihak perjanjian dan dengan penghargaan pada Djtechno sebagai media publikasi pertama atas karya dimaksud.
  4. Penulis dapat dan diharapkan untuk mengumumkan karyanya secara online (misalnya pada Repositori atau pada laman Organisai/Institusinya) sejak sebelum dan selama proses pengumpulan naskah, sebab upaya tersebut dapat meningkatkan pertukaran citasi lebih awal dan dengan cakupan yang lebih luas.