Analisis Sentimen Keefektifan Belajar Bahasa Asing di Aplikasi Duolingo dengan Algoritma Naïve Bayes

Muhammad Aqshal Anindya Tratama; Fadli Santoso Murmita; Dimas Arsya Maulana; Cindy Renata; Raras Ailsa; Fuad Nur Hasan

doi:10.56211/sudo.v5i1.1354

Authors

Muhammad Aqshal Anindya Tratama Universitas Bina Sarana Informatika
Fadli Santoso Murmita Universitas Bina Sarana Informatika
Dimas Arsya Maulana Universitas Bina Sarana Informatika
Cindy Renata Universitas Bina Sarana Informatika
Raras Ailsa Universitas Bina Sarana Informatika
Fuad Nur Hasan Universitas Bina Sarana Informatika

DOI:

https://doi.org/10.56211/sudo.v5i1.1354

Keywords:

Analisis Sentimen; Duolingo; Efektivitas Pembelajaran; Naïve Bayes; Pembelajaran Bahasa Asing

Abstract

Aplikasi pembelajaran bahasa Duolingo telah diunduh lebih dari 500 juta kali, namun terdapat perdebatan mengenai keefektifannya. Ulasan pengguna di Google Play Store merupakan sumber data masif untuk mengevaluasi persepsi ini, namun volumenya terlalu besar untuk dianalisis secara manual. Penelitian ini bertujuan untuk menganalisis sentimen pengguna guna memahami lebih dalam persepsi efektivitas Duolingo sebagai media pembelajaran bahasa asing. Penelitian ini menggunakan 5.000 ulasan yang dikumpulkan melalui scraping dari Google Play Store. Metode Natural Language Processing (NLP) diterapkan, meliputi text pre-processing serta vektorisasi TF-IDF. Sebuah model klasifikasi sentimen biner yang telah dilabeli positif dan negatif dibangun menggunakan algoritma Multinomial Naïve Bayes. Hasil analisis data menunjukkan sentimen keseluruhan sangat positif, dimana 85.34% ulasan diklasifikasikan sebagai positif. Analisis kualitatif mengidentifikasi pendorong sentimen positif adalah efektivitas ("mudah paham", "bantu ajar") dan aspek gamifikasi ("seru"). Sebaliknya, sentimen negatif didominasi oleh keluhan pada fitur "sistem hati" dan "iklan" yang mengganggu. Model Naïve Bayes yang telah dilatih berhasil mencapai akurasi 92.81% dalam mengklasifikasikan data uji, membuktikan efektivitasnya untuk tugas ini terutama dalam tugas klasifikasi sentimen positif. Hasil ini mengonfirmasi persepsi positif terhadap keefektifan Duolingo, sekaligus memberikan masukan kritis mengenai model bisnis freemium-nya dan kekurangan lain yang dimiliki aplikasi pembelajaran ini.

Downloads

Download data is not yet available.

References

[1] N. C. Dewi, “Pembelajaran Daring Berbasis Konten pada Program Kursus Bahasa Asing,” IJALR, vol. 3, no. 1, Mar. 2022, doi: 10.21009/ijalr.31.02.

[2] R. M. Simanjuntak, A. Sitorus, F. B. Manurung, and M. Kaban, “Sosialisasi Pengenalan Software Duolingo di SMAN 1 Pantai Cermin”.

[3] M. R. P. Hardiyanto, G. Pahlevi, and M. F. Nugroho, “Pengaruh Fitur-Fitur Aplikasi Duolingo Terhadap Popularitasnya,” SNATI, vol. 3, no. 1, Dec. 2023, doi: 10.20885/snati.v3i1.28.

[4] M. Apriliyani, M. I. Musyaffaq, S. Nur’Aini, M. R. Handayani, and K. Umam, “Implementasi analisis sentimen pada ulasan aplikasi Duolingo di Google Playstore menggunakan algoritma Naïve Bayes,” AITI, vol. 21, no. 2, pp. 298–311, Sept. 2024, doi: 10.24246/aiti.v21i2.298-311.

[5] Ernianti Hasibuan and Elmo Allistair Heriyanto, “ANALISIS SENTIMEN PADA ULASAN APLIKASI AMAZON SHOPPING DI GOOGLE PLAY STORE MENGGUNAKAN NAIVE BAYES CLASSIFIER,” JTS, vol. 1, no. 3, pp. 13–24, Oct. 2022, doi: 10.56127/jts.v1i3.434.

[6] A. Saninah, W. Prihartono, and C. L. Rohmat, “ANALISIS SENTIMEN ULASAN PENGGUNA TERHADAP APLIKASI PEMBELAJARAN BERBAHASA DUOLINGO MENGGUNAKAN ALGORITMA NAÏVE BAIYES CLASSIFIER,” JITET, vol. 13, no. 1, Jan. 2025, doi: 10.23960/jitet.v13i1.5691.

[7] D. Normawati and S. A. Prayogi, “Implementasi Naïve Bayes Classifier Dan Confusion Matrix Pada Analisis Sentimen Berbasis Teks Pada Twitter,” vol. 5, 2021.

[8] A. A. Munandar, F. Farikhin, and C. E. Widodo, “Sentimen Analisis Aplikasi Belajar Online Menggunakan Klasifikasi SVM,” JOINTECS, vol. 8, no. 2, p. 77, July 2023, doi: 10.31328/jointecs.v8i2.4747.

[9] H. Tuhuteru, “Analisis Sentimen Masyarakat Terhadap Pembatasan Sosial Berksala Besar Menggunakan Algoritma Support Vector Machine,” INFORMATION SYSTEM DEVELOPMENT, vol. 4.

[10] T. Safitri, Y. Umaidah, and I. Maulana, “Analisis Sentimen Pengguna Twitter Terhadap BTS Menggunakan Algoritma Support Vector Machine,” vol. 7, no. 1.

[11] E. Febriyani and H. Februariyanti, “Analisis Sentimen Terhadap Program Kampus Merdeka Menggunakan Algoritma Naive Bayes Classifier Di Twitter,” JTK, vol. 17, no. 1, p. 25, Feb. 2023, doi: 10.33365/jtk.v17i1.2061.

[12] A. F. Nurhaliza, B. D. Setiawan, and R. S. Perdana, “Penerapan Pemodelan Topik menggunakan Metode Latent Dirichlet Allocation terhadap Pembehasan Pemilu Indonesia tahun 2024 di Twitter”.

[13] S. Rabbani, D. Safitri, N. Rahmadhani, A. A. F. Sani, and M. K. Anam, “Perbandingan Evaluasi Kernel SVM untuk Klasifikasi Sentimen dalam Analisis Kenaikan Harga BBM: Comparative Evaluation of SVM Kernels for Sentiment Classification in Fuel Price Increase Analysis,” MALCOM, vol. 3, no. 2, pp. 153–160, Oct. 2023, doi: 10.57152/malcom.v3i2.897.