Comparing machine learning-based methods to implement sentiment analysis on game reviews posted on Twitter

Muhammad Alvan Ismail, Erwin Eko Wahyudi, S.Kom., M.Cs.

2023 | Skripsi | ILMU KOMPUTER

Video game telah menjadi faktor yang sangat signifikan dalam dunia hiburan. Biasanya disukai oleh orang-orang muda atau hanya orang-orang yang tertarik dengan mereka. Ini memungkinkan para pemain menggunakan pemikiran kognitif dan pemikiran kritis mereka juga agar mereka dapat menavigasi di dunia video game dan merumuskan strategi terbaik untuk menyelesaikan permainan dalam waktu yang singkat sambil juga memaksimalkan jumlah kesenangan yang mereka dapatkan. Oleh karena itu, hal-hal tersebut akan memungkinkan pengguna atau pemain untuk meninggalkan ulasan tentang game tertentu, tentang seberapa baik atau buruknya, dan platform media sosial adalah salah satu tempat terbaik untuk meninggalkan ulasan tersebut, karena memungkinkan diversifikasi dan publisitas yang luas.

Dalam penelitian ini, penulis melakukan analisis sentimen pada dataset Twitter yang beragam tentang ulasan video game selama kurang lebih 6 bulan, dengan memanfaatkan teknik pembelajaran mesin seperti Naïve Bayes, KNN, dan Support Vector Machines, karena penulis bertujuan untuk membandingkan efisiensi dari masing-masing metode dan menentukan metode mana yang terbaik dalam melakukan analisis. Penulis bertujuan untuk membandingkan hasilnya dengan Confusion Matrix dan K-Fold Cross Validation dan membahas implikasi temuan mereka untuk seluruh penelitian.

Meskipun membutuhkan waktu yang signifikan untuk penyelesaian, penelitian ini berkontribusi pada pengetahuan yang berkembang dalam Analisis Sentimen pada Platform Media Sosial serta di Industri Gaming. Hasil penelitian menunjukkan bahwa Polynomial Support Vector Machines menghasilkan hasil terbaik secara keseluruhan dibandingkan dengan metode lain, dan semua metode menggunakan hiperparameter terbaik mereka, dengan akurasi x dibandingkan dengan x dari Gaussian Naïve Bayes, yang memiliki akurasi terendah.

Video games have been a very significant factor in the world of entertainment. It is favored by typically young people or just people who are into them. It lets the players used their cognitive thought and critical thinking as well in order for them to navigate in the world of video games and strategize the best way possible to complete the game in such a short amount of time while also maximizing the amount of fun they are having. Therefore, such things will enable users or players to leave reviews on specific games, about how good or bad it is, and social media platforms are one of the best places for such reviews to be left in, as it allows for diversification as wide publicity.

In this research, the author conducted a sentiment analysis on a diverse Twitter dataset about video game reviews spanning for about 6 months, leveraging machine learning techniques such as Naïve Bayes, KNN, and Support Vector Machines, as the author aims to compare the efficiency of each method and determine which of the methods employed will be the best in performing the analysis. The author aims to compare the results with Confusion Matrix and K-Fold Cross Validation and discuss the implications of their findings for the whole research.

Despite the significant time it takes for completion, this research contributes to the growing body of knowledge in Sentiment Analysis on Social Media Platforms as well as in the Gaming Industry. The results of the research shows that the Polynomial Support Vector Machines yielded the best overall results as opposed to the other methods, and all methods utilizes their best hyperparameters, with an accuracy of x as opposed to x from the Gaussian Naïve Bayes, which has the lowest accuracy.

Kata Kunci : Sentiment Analysis, Twitter, Game Reviews, Naïve Bayes, KNN, Support Vector Machines