Analisis Sentimen Ulasan Pengguna Aplikasi Duolingo Menggunakan Indobert
DOI:
https://doi.org/10.70340/jirsi.v5i3.513Kata Kunci:
Analisis Sentimen, IndoBERT, Duolingo, Ulasan Pengguna, Klasifikasi SentimenAbstrak
Banyaknya ulasan pengguna Duolingo di Indonesia membuat proses evaluasi secara manual
menjadi sulit dilakukan. Oleh karena itu, penelitian ini bertujuan untuk menganalisis sentimen
pengguna guna mengetahui tanggapan dan pengalaman mereka terhadap aplikasi Duolingo.
Penelitian ini menggunakan model IndoBERT untuk mengelompokkan ulasan ke dalam tiga
kategori sentimen, yaitu positif, netral, dan negatif. Hasil pengujian menunjukkan bahwa
model IndoBERT memiliki kinerja yang sangat baik dengan tingkat akurasi sebesar 92% dan
Macro F1-Score sebesar 71%. Sebagian besar ulasan yang dianalisis termasuk sentimen positif
(83,47%), yang menunjukkan tingginya tingkat kepuasan pengguna terhadap aplikasi. Kelas
sentimen positif memperoleh F1-Score sebesar 97%, sedangkan kelas netral memiliki F1-Score
terendah sebesar 44% karena banyak ulasan netral yang singkat dan ambigu. Hasil penelitian
ini menunjukkan bahwa IndoBERT efektif dan andal dalam memetakan opini publik secara
otomatis serta memberikan gambaran mengenai persepsi pengguna terhadap aplikasi
Duolingo.
Unduhan
Referensi
L. Judijanto, “Tren Penelitian Mobile-Assisted Language Learning (MALL) di Era Digital,” Sanskara Pendidik. dan Pengajaran, vol. 3, no. 02, pp. 100–113, 2025, doi: 10.58812/spp.v3i02.558.
F. Etfita, Elinur, Yulianto, A. Ahmad, Alber, and E. Sastriani, “Jurnal abdidas,” J. Abdidas, vol. 6, no. 1, pp. 97–106, 2025, doi: https://doi.org/10.31004/abdidas.v6i1.1113.
M. Essafi, L. Belfakir, and M. Moubtassime, “Investigating Mobile-Assisted Language Learning Apps: Babbel, Memrise, and Duolingo as a Case Study,” J. Curric. Teach., vol. 13, no. 2, pp. 197–215, 2024, doi: 10.5430/jct.v13n2p197.
R. M. Putra, M. Rasuki, and I. Astutik, “AI- Driven Mobile Learning in Enhancing Learners ’ Speaking Confidence in EFL Context,” vol. 17, no. 1, pp. 131–138, 2026, doi: https://doi.org/10.47200/aoej.v17i1.3338.
D. Curry, “Duolingo Revenue and Usage Statistics (2026),” Business of Apps. Accessed: Mar. 02, 2026. [Online]. Available: https://www.businessofapps.com/data/duolingo-statistics/
B. Juarto and Yulianto, “Indonesian News Classification Using IndoBert,” Int. J. Intell. Syst. Appl. Eng., vol. 11, no. 2, pp. 454–460, 2023, [Online]. Available: https://ijisae.org/index.php/IJISAE/article/view/2654
M. R. Nur, Y. Wibisono, and R. Megasari, “Analisis Sentimen dan Pemodelan Topik pada Post tentang Merek Teknologi di X Menggunakan Fine-tuning IndoBERT dan BERTopic,” J. Komput. Teknol. Inf. Sist. Inf., vol. 4, no. 2, pp. 743–750, 2025, doi: 10.62712/juktisi.v4i2.508.
F. Moons and E. Vandervieren, “Measuring agreement among several raters classifying subjects into one or more (hierarchical) categories: A generalization of Fleiss’ kappa,” Behav. Res. Methods, vol. 57, no. 10, pp. 1--19, 2023, doi: 10.3758/s13428-025-02746-8.
Ssin122, “Understanding Diagnostic Metrics for Classifiers: Accuracy vs Cohen’s Kappa vs ROC vs Precision and Recall vs F1,” Research Strategies and Skills. Accessed: May 19, 2026. [Online]. Available: https://my-hdr-blogs.shaveensingh.com/article/understanding-diagnostic-metrics-for-classifiers-accuracy-vs-cohens-kappa/
D. Triyana, M. Muharrom Al Haromainy, and H. Maulana, “Implementasi Metode Ensemble Majority Vote Pada Algoritma Naive Bayes Dan Random Forest Untuk Analisis Sentimen Twitter Harga Tiket Pesawat Domestik,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 4, pp. 7885–7894, 2024, doi: 10.36040/jati.v8i4.10475.
A. F. Aufar, Mochamad Alfan Rosid, A. Eviyanti, and I. R. I. Astutik, “Optimizing Text Preprocessing for Accurate Sentiment Analysis on E-Wallet Reviews,” JICTE (Journal Inf. Comput. Technol. Educ., vol. 7, no. 2, pp. 42–50, 2023, doi: 10.21070/jicte.v7i2.1650.
R. Budianoor, S. W. Saputro, F. Abadi, R. A. Nugroho, and A. Farmadi, “Quantifying the Impact of Text Preprocessing on IndoBERT Fine-Tuning for Indonesian Informal Culinary Sentiment Analysis,” J. Comput. Theor. Appl., vol. 3, no. 4, pp. 564–581, 2026, doi: 10.62411/jcta.15980.
M. O. Ibrohim and I. Budi, “Multi-label Hate Speech and Abusive Language Detection in Indonesian Twitter,” pp. 46–57, 2019, doi: 10.18653/v1/w19-3506.
N. A. Salsabila, Y. A. Winatmoko, A. A. Septiandri, and A. Jamal, “Colloquial Indonesian Lexicon Nikmatun,” Int. Conf. Asian Lang. Process., pp. 226–229, 2018, doi: 10.1109/IALP.2018.8629151.
Hermitdave, “FrequencyWords: Repository of word frequency lists (Version terbaru) [Computer software]. GitHub.” Accessed: May 05, 2026. [Online]. Available: https://github.com/hermitdave/FrequencyWords
R. Anadra, H. Wijayanto, and K. Sadik, “Sentiment Analysis of Tokopedia Customer Reviews Using BiLSTM and IndoBERT with Comparative Analysis of Preprocessing and Labeling Methods,” Int. J. Adv. Data Inf. Syst., vol. 6, no. 3, pp. 773–788, 2025, doi: 10.59395/ijadis.v6i3.1458.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2026 Beby Anatasyah, Rizqa Raaiqa Bintana, Mutia Fadhila Putri
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
