Analisis Sentimen Ulasan Game PUBG Mobile pada App Store Menggunakan Algoritma Naïve Bayes dan Ekstraksi Fitur N-Gram

Perkembangan industri permainan digital saat ini menghasilkan volume data ulasan pengguna yang sangat masif di berbagai platform distribusi aplikasi. Ulasan tekstual ini menyimpan wawasan berharga mengenai kepuasan pemain, namun kapasitasnya yang besar serta karakteristik bahasanya yang informal membuat evaluasi manual menjadi tidak efektif dan rentan subjektivitas. Penelitian ini bertujuan untuk membangun sistem klasifikasi sentimen otomatis yang presisi pada platform iOS dengan mengintegrasikan algoritma Naïve Bayes Classifier dan ekstraksi fitur N-Gram. Metodologi penelitian ini mengadopsi kerangka kerja Knowledge Discovery in Databases (KDD) yang diawali dengan akuisisi 9.800 korpus ulasan PUBG Mobile dari Apple App Store melalui teknik web scraping. Data mentah tersebut kemudian dilewatkan pada rangkaian prapemrosesan teks terintegrasi, yang meliputi tahap cleaning, case folding, tokenizing, stopword removal, normalisasi bahasa informal, dan stemming. Dokumen bersih selanjutnya dialokasikan ke dalam data latih dan data uji dengan proporsi rasio 80:20 melalui skema data splitting. Tahap ekstraksi fitur dievaluasi melalui lima skenario variasi rentang N-Gram untuk mengukur performa model. Hasil pengujian membuktikan bahwa kombinasi fitur majemuk (Unigram+Bigram serta
Unigram+Bigram+Trigram) mencapai kinerja terbaik dengan nilai akurasi 93,42%, presisi 93,45%, recall 93,42%, dan F1-score 93,42%. Perluasan fitur kelompok kata terbukti secara empiris mampu menutupi kelemahan asumsi independensi kata mutlak pada algoritma Naïve Bayes dengan mengunci konteks kata negasi dan istilah game slang lokal. Melalui pemetaan frekuensi kata klaster negatif, ditemukan keluhan teknis kritis pemain berpusat pada isu lag, update, akun, dan cheater. Sistem ini memberikan implikasi praktis yang positif bagi pengembang game sebagai instrumen pemantauan umpan balik otomatis yang stabil dan tangguh.