Mathematics in Life

 MEMBACA SENTIMEN GAMER LEWAT NAIVE BAYES

Oleh: Risman Firmansyah, M.Pd *)

 

Ayo, Mulai dari Hal yang Dekat dengan Kita

Pernahkah kamu membuka Google Play Store, lalu membaca ulasan orang tentang suatu game sebelum memutuskan untuk mendownloadnya? Atau mungkin kamu sendiri pernah menulis komentar seperti "Game ini seru banget!" atau "Tolong diperbaiki, banyak bug!"?

Nah, tahukah kamu bahwa di balik ribuan ulasan itu, ada matematika yang bekerja untuk memahami apa yang sebenarnya dirasakan oleh para pengguna? Yap! Matematika ternyata tidak hanya tentang rumus-rumus abstrak di papan tulis, tetapi juga bisa "membaca" perasaan manusia dari tulisan mereka.

Dalam artikel ini, kita akan belajar bagaimana sebuah metode bernama Naive Bayes Classifier yang berbasis pada teorema Bayes dalam teori probabilitas digunakan untuk menganalisis sentimen (positif atau negatif) dari ulasan game Angkot d Game di Google Play Store. Siap? Yuk, kita mulai!

 Sumber: https://binus.ac.id/bandung/2019/12/algoritma-naive-bayes/

1. Apa Itu Analisis Sentimen?

Coba bayangkan kamu memiliki 1.000 komentar tentang sebuah game. Membaca satu per satu pasti melelahkan, bukan? Nah, analisis sentimen adalah cara otomatis untuk mengelompokkan komentar-komentar itu ke dalam kategori positif atau negatif.

Dalam penelitian yang menjadi acuan kita, para peneliti mengumpulkan 1.000 ulasan game Angkot d Game (game simulasi jadi sopir angkot buatan developer lokal Indonesia). Setelah dibersihkan dari ulasan yang netral (bintang 3), tersisa 892 ulasan. Lalu, ulasan dengan bintang 1-2 diberi label Negatif, dan bintang 4-5 diberi label Positif. Hasilnya? Ada 46,8% ulasan positif dan 53,1% ulasan negatif.

Koneksi ke Matematika: Ini adalah contoh awal dari statistik deskriptif kita menghitung proporsi data untuk memahami gambaran besar terlebih dahulu.

 
Sumber: https://www.excelr.com/blog/artificial-intelligence/mastering-sentiment-analysis-decoding-emotions-in-text

2. Teorema Bayes. Jantung dari Metode Naive Bayes

Oke, sekarang kita masuk ke inti matematika. Ada seorang matematikawan bernama Thomas Bayes (1701–1761) yang mengemukakan sebuah teorema tentang probabilitas bersyarat. Rumusnya seperti ini:

Jangan panik dulu lihat rumus! Mari kita pahami dengan cerita.

Bayangkan kamu sedang bermain tebak-tebakan: dari isi ulasan, kita mau menebak apakah ulasan itu positif atau negatif. Dalam rumus di atas:

•  adalah probabilitas suatu ulasan termasuk kelas A (misal positif) jika diketahui kata-kata B muncul. Ini yang ingin kita cari.
•  adalah probabilitas awal (prior) bahwa suatu ulasan itu positif (tanpa melihat kata-katanya).
•  adalah probabilitas munculnya kata-kata B jika ulasan itu positif.
•  adalah probabilitas munculnya kata-kata B secara keseluruhan.

Contoh sederhana: Misalkan dari 892 ulasan, 417 positif (46,8%). Maka . Sekarang, jika dalam ulasan positif kata "bagus" sering muncul, maka  akan tinggi. Naive Bayes akan menggabungkan informasi ini untuk memprediksi kelas ulasan baru.

 Sumber: https://www.gatherthink.com/p/the-power-of-assumptions

3. Kok Namanya "Naive"? Apakah Bodoh?

Tidak, kok! Kata naive (naif) di sini berarti asumsi penyederhanaan bahwa semua kata dalam suatu ulasan itu saling bebas (independen) satu sama lain. Padahal di dunia nyata, kata "bagus" dan "seru" sering muncul bersama. Tapi dengan asumsi ini, perhitungan menjadi jauh lebih sederhana dan cepat—dan terbukti tetap akurat untuk banyak kasus.

Secara matematis, untuk sebuah ulasan dengan kata-kata , kita menghitung:

Artinya, kita kalikan semua probabilitas setiap kata muncul di kelas positif, lalu kalikan dengan probabilitas awal kelas positif. Lakukan hal yang sama untuk kelas negatif, lalu pilih kelas dengan nilai terbesar.

Istilah kerennya: Ini disebut Maximum a Posteriori (MAP)  memilih kelas yang paling mungkin setelah melihat bukti dari kata-kata.

4. Sebelum Diolah, Ulasan Harus "Dibersihkan" Dulu (Preprocessing)

Ini bagian yang mirip seperti menyortir baju sebelum dicuci. Data teks mentah tidak bisa langsung dimasukkan ke rumus. Ada beberapa tahap:

Proses	Contoh Awal	Contoh Hasil
Case folding	"Game nya ngeleg GAK bagus"	"game nya ngeleg gak bagus"
Punctuation removal	Hapus tanda baca (,.!?)	"game nya ngeleg gak bagus"
Tokenization	Memecah kalimat jadi kata per kata	['game', 'nya', 'ngeleg', 'gak', 'bagus']
Filtering	Hapus kata tidak penting (stopword)	['game', 'ngeleg', 'gak', 'bagus']
Stemming	Ubah ke kata dasar	'ngeleg' → 'leg' (agak disederhanakan)

Hasil akhirnya adalah kumpulan kata-kata bersih yang siap dihitung.

5. Membobot Kata dengan TF-IDF

Setelah bersih, setiap kata diberi bobot. Ini penting karena tidak semua kata sama pentingnya. Kata seperti "game" mungkin muncul di hampir semua ulasan, sehingga tidak terlalu membedakan sentimen. Sebaliknya, kata "bug" mungkin lebih khas untuk ulasan negatif.

Rumus yang digunakan adalah TF-IDF (Term Frequency  Inverse Document Frequency):

• : seberapa sering kata  muncul di ulasan 
• : total ulasan (misal 892)
• : jumlah ulasan yang mengandung kata 

Logika di baliknya: kata yang jarang muncul tapi spesifik (misal "macet", "fitur") akan mendapat bobot tinggi. Kata yang muncul di mana-mana ("game") bobotnya rendah.

Koneksi ke Matematika: Ini adalah aplikasi fungsi logaritma untuk menekan pengaruh frekuensi yang terlalu tinggi.

 
Sumber: https://health.detik.com/berita-detikhealth/d-2004066/susah-pahami-matematika

6. Mengevaluasi Kinerja Model: Confusion Matrix

Setelah model dilatih, kita harus menguji seberapa baik kemampuannya. Caranya menggunakan confusion matrix, yaitu tabel 2×2 seperti ini:

	Prediksi Positif	Prediksi Negatif
Aktual Positif	TP (True Positif)	FN (False Negatif)
Aktual Negatif	FP (False Positif)	TN (True Negatif)

Dari penelitian ini, diperoleh hasil:

• Akurasi = 88,51% → dari 163 ulasan uji, 132 diklasifikasikan dengan benar.
• Sensitivity = 82,57% → model mampu menangkap 82% ulasan positif yang sebenarnya.
• Specificity = 94,2% → model sangat baik mengenali ulasan negatif.
• Nilai AUC = 88,38% → termasuk kategori Sangat Baik (karena 0,80–0,90).

AUC (Area Under Curve) adalah ukuran kemampuan model membedakan dua kelas. Semakin mendekati 1, semakin baik.

7. Apa Hasilnya? Dan Apa Manfaatnya?

Dari wordcloud dan frekuensi kata, ditemukan:

• Kata sering muncul di ulasan positif: game, mobil, bagus, tumpang, main, grafik
• Kata sering muncul di ulasan negatif: game, bagus, bug, main, tolong, update
• Kata "bagus" bisa muncul di kedua sisi tergantung konteksnya.
• Kata "bug" muncul 131 kali, "loading" 39 kali, "fitur" 42 kali, "update" 199 kali.

Implikasi untuk pengembang game:

Para pemain menginginkan update berkala, perbaikan bug, dan loading yang lebih cepat. Dengan mengetahui ini, developer bisa memprioritaskan perbaikan yang paling dikeluhkan.

 
Sumber: https://lms.ittelkom-pwt.ac.id/course/info.php?id=381

8. Simpulan. Matematika Itu Berguna, Bukan Sekadar Teori

Metode Naive Bayes Classifier terbukti sangat baik untuk menganalisis sentimen ulasan game, dengan akurasi 88,51%. Ini menunjukkan bahwa teori probabilitas dan logaritma yang dipelajari di SMA benar-benar bisa diterapkan di industri digital saat ini. Untuk kamu yang suka game atau tertarik dengan data, ilmu matematika seperti ini adalah pintu masuk untuk menjadi data analyst atau AI engineer di masa depan. Bayangkan, perusahaan game bisa meningkatkan pendapatan (yang di Indonesia sudah mencapai Rp25 triliun per tahun!) hanya dengan memahami ulasan penggunanya. Jadi, lain kali jika kamu melihat ulasan di Play Store, sadarilah bahwa di balik layar, ada rumus-rumus matematika yang bekerja keras mengubah kata-kata menjadi wawasan berharga. Keren, kan?

Rangkuman Ekspres untuk Kamu:

Konsep	Arti Simpel
Analisis Sentimen	Membaca opini otomatis dari teks
Teorema Bayes	Menghitung peluang berdasarkan bukti
Naive Bayes	Metode klasifikasi dengan asumsi kata-kata bebas
Preprocessing	Membersihkan teks sebelum diproses
TF-IDF	Membobot kata berdasarkan frekuensi dan keunikannya
Confusion Matrix	Alat evaluasi seberapa benar prediksi
Akurasi 88,51%	Model ini cukup handal untuk digunakan

*) Guru Matematika di SMAN 1 Pangalengan. Staf Kesiswaan, Pengelola Sekolah Terbuka di SMAN 1 Pangalengan

**) Hasil Tulis ulang dari artikel:

Sitti Masyitah Meliyana R, dkk. "Analisis Sentimen Ulasan Game Simulator Indonesia di Google Play Store Menggunakan Algoritma Naive Bayes". VARIANSI: Journal of Statistics, Vol. 7 No. 2 (2025).