Implementasi Klasifikasi Naive Bayes dan Pemodelan Topik dengan Latent Dirichlet Allocation untuk Data Ulasan Video Game Lokal Pada Platform Steam: Implementasi Klasifikasi Naive Bayes dan Pemodelan Topik dengan Latent Dirichlet Allocation

Abstract

Industri video game global terus meroket dengan partisipasi pemain yang meningkat setiap tahun. Steam, sebagai platform distribusi digital terbesar yang dikembangkan oleh Valve Corporation, memungkinkan pengguna memberikan ulasan terbuka tentang video game. Prediksi sentimen yang akurat dalam ulasan online dapat meningkatkan peluang keuntungan bagi pengembang video game. Penelitian ini fokus pada klasifikasi dan pemodelan topik ulasan video game lokal di Steam menggunakan metode Naïve Bayes dan Latent Dirichlet Allocation. Sebelum penyeimbangan data, tingkat akurasi klasifikasi Naïve Bayes mencapai 86%, dan setelah penyeimbangan data, turun menjadi 81%.  Untuk pemodelan topik, penelitian ini mendapatkan 5 topik dengan nilai probabilitas 0.38807 untuk ulasan “Recommended” yaitu topik 1 membahas fitur video game stardew valley, topik 2 membahas puzzle dengan tema fantasy, topik 3 membahas visual art dan soundtrack, topik 4 membahas update patch disertai puzzle dengan musik, dan topik 5 membahas karakter dan gameplay, sedangkan 3 topik dengan nilai probabilitas 0.28095 untuk ulasan “Not Recommended” yaitu topik 1 membahas masalah bug gameplay, topik 2 membahas bug boss battle, dan topik 3 membahas masalah performa video game