Jurnal Multimedia dan Teknologi Informasi (Jatilima)

ANALISA PERBANDINGAN ALGORITMA ELIAS OMEGA CODE DAN ALGORITMA TABOO CODES PADA KOMPRESI FILE TEKS

2025-12-12T13:57:05+00:00

File teks merupakan dokumen elektronik yang berisi kumpulan data dan
memberikan kemudahan bagi pengguna dalam membuat, membaca dan
menyebarkan informasi secara cepat, fleksibel, serta ramah lingkungan karena
tidak memerlukan media fisik seperti kertas. Namun, seiring penggunaannya
muncul permasalahan terkait ukuran file. Semakin kompleks atau panjang isi
file, ukuran file cenderung membesar. Untuk mengatasi permasalahan
tersebut, perlu diterapkan metode kompresi data (Data Compression) yang
bertujuan mengurangi ukuran file agar lebih efisien dalam penyimpanan dan
pengiriman. Terdapat berbagai algoritma kompresi data, dan dalam konteks ini
difokuskan pada dua jenis algoritma, yaitu Elias Omega Code dan Taboo Codes.
Penelitian ini bertujuan untuk meyelaraskan efektivitas kedua algoritma
tersebut dalam kompresi file teks. Hasil yang diperoleh dari persamaan
algoritma Elias Omega Code dan Taboo Codes pada kompresi file teks sangat
membantu dalam melakukan pengecilan ukuran sebuah file. Berdasarkan
proses perhitungan metode Exponential, menunjukkan bahwa algoritma Taboo
Codes lebih unggul dengan nilai 9,709 yang membuat algoritma ini lebih efisien
dibandingkan dengan algoritma Elias Omega Code.

Klasifikasi Kualitas Jambu Air Madu Deli Merah, Dengan Menerapkan Metode K-NN model Euclidean Distance

2025-12-12T12:58:28+00:00

Jambu air madu deli merah merupakan salah satu varietas ungggulan yang
memiliki nilai ekonomis tinggi. Penentuan kualitas buah ini sangat penting
untuk mendukung proses permasaran dan meningkatkan kepercayaan
konsumen. Penelitian ini bertujuan untuk mengklasifikasikan kualitas jambu air
berdasarkan beberapa parameter fisik seperti warna dan tekstur menggunakan
metode K-Nearest Neighbor (K-NN) dengan pendekatan Euclidean Distance.
Data buah dikategorikan ke dalam dua kelas kualitas: baik, dan buruk. Model
K-NN bekerja dengan membandingkan data uji terhadap data latih berdasarkan
jarak terdekat dalam ruang multidimensi. Sehingga peneliti menerapkan
metode K-NN dengan model Euclidean Distance guna mengklasifikasikan
kualitas jambu air madu deli merah berdasarkan variable warna dan tekstur
dari citra digital. Dataset yang digunakan terdiri dari 40 data latih dan 1 data
uji, dengan dua kelas kategori yaitu baik dan buruk. Proses dimulai dengan
akusisi citra jambu air madu deli merah, dilanjutkan dengan ekstraksi ciri warna
menggunakan metode GLCM. Ciri-ciri tersebut dijadikan input dalam Algoritma
K-NN dengan nilai K yang divariasikan. Maka hasil yang diperoleh dari klasifikasi
menunjukkan bahwa metode K-NN dengan jarak Euclidean Distance mampu
mengidentifikasi kualitas jambu air madu delimerah, dengan tingkat akurasi
yang cukup efektif terutama pada jumlah tetangga terdekat yang lebih kecil.
Sehinggga hasil pengujian menunjukkan bahwa data uji berhasil diklasifikasikan
ke dalam kategori baik. Tingkat akurasi diperoleh sebesar 100% pada nilai K=1,
K=3, dan K=5.

PENERAPAN METODE K-NEAREST NEIGBOR MODEL EUCLIDEAN DISTANCE UNTUK KLASIFIKASI KUALITAS DAGING SAPI

2025-12-12T14:21:26+00:00

Daging sapi adalah sumber protein hewani yang sangat digemari oleh
Masyarakat Indonesia. Kualitas daging sapi adalah aspek krusial yang
memengaruhi nilai konsumsi dan keselamatan pangan. Dikarenakan sering
terjadi permasalahan terhadap kualitas daging sapi yang sering terjadi dipasar,
umumnya oknum pedagang di pasar berbuat kecurangan dengan mencampurkan
daging berkualitas baik dengan daging berkualitas buruk. Tentunya hal ini
sangat merugikan Masyarakat dan juga pelaku usaha rumah makan. Sehingga
penerapan metode K-NN dengan model Euclidean Distance digunakan dalam
mengklasifikasikan kualitas daging sapi berdasarkan variable warna dan tekstur
dari gambar digital. Dataset yang digunakan terdiri atas 40 data pelatihan dan 1
data pengujian, dengan dua kategori kelas yaitu baik dan buruk. Proses dimulai
dengan akusisi citra daging sapi, dilanjutkan dengan ekstraksi ciri warna
menggunakan metode GLCM. Ciri-ciri tersebut dijadikan input dalam
Algoritma K-NN dengan nilai K yang divariasikan. Maka capaian yang didapat
dari klasifikasi menunjukkan bahwa teknik K-NN dengan jarak Euclidean
Distance mampu mengidentifikasi kualitas daging sapi dengan tingkat akurasi
yang cukup efektif terutama pada jumlah tetangga terdekat yang lebih kecil.
Sehinggga hasil pengujian menunjukkan bahwa data uji berhasil diklasifikasikan
ke dalam kategori baik. Tingkat akurasi diperoleh sebesar 100% pada nilai K=1
dan K=3, sedangkan pada K=5 60%.

SISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA GURU MENGGUNAKAN METODE FUZZY TAHANI PADA SEKOLAH SD NEGERI 105362 LUBUK DENDANG

2025-12-12T14:53:25+00:00

Evaluasi performa pendidik adalah unsur krusial dalam upaya meningkatkan
mutu pembelajaran. Namun, dalam penerapannya, proses penilaian kinerja guru
masih banyak dilakukan secara manual dan subjektif. Penilai seringkali
menghadapi kendala dalam mengolah berbagai indikator penilaian yang bersifat
kualitatif maupun kuantitatif sehingga hasil akhir penilaian cenderung kurang
konsisten dan tidak transparan. Kompleksitas data dan adanya unsur
subjektivitas penilai dapat menimbulkan ketidakakuratan dalam pengambilan
keputusan penilaian kinerja guru pada SD Negeri 105362 Lubuk Dendang. Guna
menyelesaikan persoalan tersebut, dibutuhkan sebuah mekanisme penunjang
keputusan yang dapat memfasilitasi proses penilaian performa pendidik secara
lebih terstruktur dan tidak bias. Salah satu metode yang tepat untuk mengatasi
keraguan serta sifat subjektif dalam proses evaluasi adalah melalui penerapan
pendekatan logika fuzzy, khususnya metode Fuzzy Tahani. Metode ini mampu
mengakomodasi data kualitatif dalam bentuk linguistik, seperti “baik”, “cukup”,
atau “kurang”, dan mengubahnya menjadi nilai numerik yang dapat diproses
secara logis. Dengan demikian, keluaran yang dihasilkan melalui sistem
penunjang keputusan yang dirancang memakai metode FUZZY TAHANI
berfungsi untuk membantu SD Negeri 105362 Lubuk Dendang dalam
melakukan evaluasi performa tenaga pendidik honorer terbaik secara adil,
efisien, serta akurat. Hasil akhirnya menunjukkan skor tertinggi bernilai 1 pada
alternatif A6 atas nama Teti Elmi Emnur Lubis.

Sistem Pendukung Keputusan Rekrutmen Staff IT Pada Kantor Camat Panai Hulu Kabupaten Labuhanbatu Menggunakan Metode ARAS Dengan Pembobotan ROC

2025-12-12T15:39:28+00:00

Staff IT merupakan sesorang yang bertanggung jawab dalam pengelolaan
system teknologi informasi di suatu perusahaan. Dalam suatu organisasi maupun
perusahaan, terdapat beragam posisi penting yang saling berkaitan satu sama
lain. Setiap fungsi tidak dapat berdiri sendiri tanpa dukungan dari fungsi lainnya.
Salah satu peran yang krusial adalah staf teknologi informasi (IT), yang
keberadaannya sangat dibutuhkan untuk menjaga kelancaran operasional
organisasi maupun perusahaan, maka perlu dilakukan penilaian secara
mendalam baik itu segi kemampuan maupun pengalaman. Namun, kantor camat
panai hulu dihadapkan dengan sebuah permasalahan karena sering
menyebabkan ketidaksesuaian antara kualifikasi pelamar dan kebutuhan
pekerjaan sebenarnya. Proses pengambilan keputusan, baik terkait persoalan
yang bersifat sederhana maupun kompleks, membutuhkan suatu mekanisme
yang mampu memberikan dukungan objektif. Oleh karena itu, dalam konteks
rekrutmen staf IT di perusahaan, digunakanlah Sistem Pendukung Keputusan
(SPK). Metodefyang dipilih dalam sistem tersebut adalahfAdditive Ratio
Assessment (ARAS) sebagai alat analisis utama.

Penerapan Metode MAUT dengan Pembobotan Entropy Untuk sistem Pendukung Keputusan Pemberian Reward Tahunan Pada Karyawan PT. Sumber Jadi Kencana Motor

2025-12-12T15:37:04+00:00

PT. Sumber Jadi Kencana Motor merupakan perusahaan swasta yang bergerak di bidang
otomotif dan jasa layanan kendaraan, berlokasi di showroom Yamaha SJKM, Jalan
Kelambir V, Tanjung Gusta, Medan Helvetia, Kota Medan. Sebagai perusahaan yang
mengutamakan kualitas layanan dan kepuasan pelanggan, kinerja karyawan—khususnya
pada bagian sales—menjadi faktor krusial. Penelitian ini dilakukan karena adanya
permasalahan dalam proses pemberian reward tahunan kepada karyawan, yang selama ini
belum dilakukan secara objektif dan terstruktur. Untuk membantu manajemen dalam proses
pengambilan keputusan pemberian reward, penulis mengembangkan sebuah sistem
pendukung keputusan (SPK) dengan menggunakan metode Multi-Attribute Utility Theory
(MAUT) yang dipadukan dengan pembobotan menggunakan metode Entropy. Metode
Entropy digunakan untuk menentukan bobot masing-masing kriteria secara objektif
berdasarkan data yang ada, sedangkan metode MAUT digunakan untuk menentukan
peringkat alternatif berdasarkan kriteria tersebut. Hasil dari sistem yang dikembangkan
menunjukkan bahwa pendekatan ini mampu memberikan keputusan yang objektif, cepat,
dan tepat dalam proses pemberian reward. Berdasarkan hasil perhitungan, alternatif A3 atas
nama Chandra Gunawan Rambe memperoleh nilai tertinggi sebesar 0,9959, sehingga
direkomendasikan sebagai penerima reward terbaik.

Implementation of FaceNet for Facial Search Function in Reverse Image Search System

2025-12-15T17:17:06+00:00

This study presents the implementation of the FaceNet deep convolutional neural network model as a facial search function for a reverse image search system. The research addresses the growing need for fast and accurate face recognition in digital applications, focusing on embedding-based similarity search rather than traditional classification methods. The system employs MTCNN for face detection and alignment, followed by the FaceNet model to generate 128-dimensional facial embeddings whose distances represent the similarity between identities. The methodology includes data preprocessing, embedding extraction, distance-based matching, and system evaluation using images with identical and non-identical identities. Experimental results show that the average embedding distance for identical faces is 0.47, while non-identical faces exhibit an average distance of 0.62. The proposed system achieves an accuracy of 94% on a test set of 100 images, demonstrating its effectiveness in distinguishing facial similarities. These findings confirm that embedding-based representation using FaceNet provides a reliable foundation for facial retrieval tasks in reverse image search applications, offering high discriminative capability and operational efficiency.

Evaluasi Kinerja Sensor BH1750 pada Sistem Monitoring Iluminansi berbasis Mikrokontroller

2025-12-31T05:41:37+00:00

Penilaian kualitas pencahayaan pada berbagai lingkungan aplikasi, termasuk fasilitas pelayanan kesehatan, sangat bergantung pada sistem monitoring iluminansi yang efektif. Perkembangan sensor cahaya digital yang dikombinasikan dengan platform mikrokontroler telah memungkinkan dilakukannya pengukuran iluminansi secara otomatis dengan biaya yang relatif rendah serta fleksibilitas implementasi sistem. Sensor BH1750 merupakan salah satu sensor cahaya digital yang banyak digunakan dalam sistem monitoring iluminansi; namun, kinerja pengukurannya perlu dievaluasi secara cermat sebelum diterapkan secara luas. Penelitian ini bertujuan untuk mengevaluasi kinerja sensor BH1750 pada sistem monitoring iluminansi berbasis mikrokontroler melalui analisis akurasi, presisi, dan linearitas hasil pengukuran. Pengujian dilakukan pada tiga tingkat iluminansi, yaitu rendah (≈8.000 lux), sedang (≈15.000 lux), dan tinggi (≈22.000 lux), dengan beberapa kali pengulangan pengukuran pada setiap kondisi menggunakan sumber cahaya terkontrol serta instrumen acuan terkalibrasi. Hasil pengujian menunjukkan bahwa sistem monitoring yang dikembangkan memiliki akurasi pengukuran yang baik dengan nilai rata-rata galat persentase kurang dari 3%, presisi yang memadai dengan simpangan baku kurang dari 8%, serta hubungan linear yang sangat kuat terhadap instrumen acuan (R² = 0,9989). Temuan ini menunjukkan bahwa sensor BH1750 dapat diandalkan sebagai bagian dari sistem monitoring iluminansi digital untuk penilaian kualitas pencahayaan pada fasilitas pelayanan kesehatan maupun lingkungan kritikal lainnya.

Prediction of KIP Scholarship Eligibility at Universitas Almuslim Using an Explainable Artificial Intelligence–Based XGBoost Algorithm

2025-12-31T05:55:48+00:00

The selection process for Kartu Indonesia Pintar (KIP) scholarship recipients at the higher education level continues to face several challenges, including subjective assessment, limited transparency, and the suboptimal use of data-driven decision support systems. This study aims to develop a predictive model for KIP scholarship eligibility at Universitas Almuslim using the XGBoost algorithm integrated with an Explainable Artificial Intelligence (XAI) approach. The dataset employed in this study consists of synthetic data constructed based on official KIP selection parameters, encompassing economic, academic, social, and demographic aspects, thereby ensuring the confidentiality of student data. The research stages include data preprocessing, predictive modeling, policy-based validation, and analysis of prediction results. The XGBoost algorithm is utilized to generate eligibility predictions along with associated probability scores, which are subsequently evaluated to ensure alignment with scholarship selection principles and regulations. The simulation results demonstrate a clear separation between eligible and non-eligible students, with prediction probabilities predominantly concentrated at extreme values, indicating a high level of model confidence. Further analysis reveals that economic indicators and social affirmation variables exert a more dominant influence than academic factors, which function as supporting criteria. These findings indicate that the proposed system is capable of producing stable and consistent predictions while enhancing transparency and accountability in the decision-making process. This study proposes an interpretable scholarship eligibility prediction framework that can be adapted by other higher education institutions as a fair and data-driven decision support system.

Multi-Device Image Dataset With Manual And Python-Based Augmentations For Cross-Device Robustness In Image Classification Research

2026-01-14T09:52:36+00:00

This study presents a multi-device image collection and a reproducible VSCode/Python pipeline for analyzing image classification and the effects of data augmentation under real hardware variation. Images were captured at the Galeri Inovasi Institut Teknologi Sepuluh Nopember (GRITS) using four devices Infinix Note 4, LG G6, Samsung S23+, and Xiaomi Pad 6s Pro with 31 images per device. We applied manual and Python-based augmentations (rotation, flips, brightness, sharpening, contrast) and organized outputs by device and augmentation type for controlled comparisons. Using stratified 80:20 splits, we evaluated Logistic Regression (LR), SVM (RBF), and KNN. Results: LR reached accuracy 0.90 (macro-F1 0.88; weighted-F1 0.90), SVM 0.89 (macro-F1 0.88; weighted-F1 0.89), and KNN 0.67 (macro-F1 0.65; weighted-F1 0.68). Augmentation enhanced robustness and cross-device generalization, though Xiaomi Pad 6s Pro remained the most challenging class, indicating a persistent device-specific shift. The dataset and scripts provide a transparent, baseline-ready testbed for research on image classification, cross-device variability, and the impact of augmentation.

Evaluasi Tata Kelola Teknologi Informasi Menggunakan COBIT 2019

2026-01-14T10:54:46+00:00

COBIT 2019 menilai tingkat tata kelola teknologi informasi yang bermanfaat bagi organisasi seperti Universitas XYZ. Penerapan teknologi informasi di seluruh perguruan tinggi mempunyai tiga sistem pelayanan kebutuhan yang berbeda. Tantangan penerapan teknologi informasi pada perguruan tinggi yaitu pada sistem desentralisasi, gangguan operasional, dan kebutuhan yang tidak terpenuhi. Universitas XYZ mempunyai kendala sering terjadinya gangguan pada server dan sistem informasi yang belum terintegrasi sehingga layanan teknologi informasi yang diberikan tidak berjalan secara maksimal. Pengelolaan layanan teknologi informasi yang tidak baik menyebabkan layanan yang tidak terkontrol, pengambilan keputusan yang kurang tepat, dan biaya operasional yang sulit diprediksi. Tata kelola teknologi informasi mempunyai peranan sebagai pendukung untuk tercapainya tujuan organisasi. Pada organisasi memerlukan penilaian untuk mengukur kinerja dari tata kelola teknologi informasi dengan menggunakan kerangka kerja tata kelola teknologi informasi. Penilaian tata kelola teknologi informasi pada penelitian ini dengan menggunakan COBIT 2019, sehingga menghasilkan rekomendasi yang dapat ditindaklanjuti. Evaluasi tata kelola teknologi informasi pada program studi A di Universitas XYZ dengan menggunakan kerangka kerja COBIT 2019 domain BAI09 (Manage Assets). Hasil evaluasi atau penilaian tingkat kapabilitas pada domain BAI09.01 nilai kapabilitasnya 2,44 (Partially), BAI09.02 nilai kapabilitasnya 2,55 (Partially), BAI09.03 nilai kapabilitasnya 1,93 (Partially), BAI09.04 nilai kapabilitasnya 0,63 (Not), dan BAI09.05 nilai kapabilitasnya 0,55 (Not). Nilai tingkat kapabilitas yang diharapkan pada program studi A di Universitas XYZ yaitu 4,00 (Fully) maka pada domain proses BAI09.01 terdapat gap 1,56, BAI09.02 terdapat gap 1,45, BAI09.03 terdapat gap 2,07, BAI09.04 terdapat gap 3,37, dan BAI09.05 terdapat gap 3,45.

Device-Based Majapahit Inscription Classification with Multi-Filter Enhancement

2026-01-21T03:45:17+00:00

The preservation of cultural heritage through digitalization has become increasingly essential in modern archaeological and information technology research. This study focuses on classifying Majapahit inscription images based on the recording device using machine learning approaches enhanced by multiple image filtering techniques. A dataset comprising seven inscriptions photographed with seven different devices was used to evaluate the performance of three classification models: Logistic Regression, Support Vector Machine (SVM), and K-Nearest Neighbors (KNN). Four preprocessing filters Grayscale, Sobel, Histogram Equalization, and Canny Edge Detection were applied to assess their effects on model accuracy. The results revealed that the SVM consistently achieved the highest accuracy and robustness, particularly under Sobel and Histogram Equalization filters, confirming its superior ability to capture discriminative texture and edge-based features. In contrast, KNN showed unstable results due to its sensitivity to noise and intensity variations, while Logistic Regression performed moderately well in linearly separable data conditions. Paired t-test analysis further validated that SVM’s performance advantage was statistically significant. These findings highlight that edge-preserving preprocessing techniques can substantially enhance the accuracy of device-based image classification and provide a computational framework that supports digital preservation efforts in cultural heritage research.

ANALISIS EFEKTIVITAS MEDIA INTERAKTIF DALAM MENINGKATKAN PARTISIPASI BELAJAR SISWA PADA PEMBELAJARAN DI ERA DIGITAL DI YAYASAN SMP ADVENT AIR BERSIH MEDAN

2026-01-21T05:06:39+00:00

Riset ini dilaksanakan dengan tujuan menilai efektivitas media pembelajaran interaktif dalam mendongkrak keterlibatan dan motivasi akademik siswa pada pelajaran Informatika/TIK di era digital. Metode kuantitatif dengan desain eksperimental digunakan, melibatkan 50 siswa dari Yayasan SMP Advent Air Bersih Medan yang dibagi menjadi kelompok eksperimen (menggunakan media interaktif seperti kuis dan game edukatif) dan kelompok kontrol (menggunakan media tradisional). Pengambilan data dilakukan melalui kuesioner skala Likert, yang kemudian dianalisis menggunakan SPSS. Hasil penelitian menunjukkan peningkatan signifikan pada tingkat partisipasi, dengan nilai rata-rata 4.23 untuk kelompok eksperimen berbanding 3.80 pada kelompok kontrol. Secara keseluruhan, media interaktif terbukti efektif meningkatkan partisipasi, memperkuat pemahaman materi, dan menciptakan proses belajar yang lebih menarik dan relevan, sehingga kualitas pembelajaran siswa terangkat.

Kuliah Kerja Nyata sebagai Media Dialektika Pengetahuan dan Praktik Sosial dalam Pemberdayaan Desa

2026-01-21T05:29:35+00:00

Kuliah Kerja Nyata (KKN) merupakan kegiatan akademik yang berfungsi sebagai sarana penerapan ilmu sekaligus penguatan kapasitas sosial mahasiswa di masyarakat. Kegiatan ini memiliki potensi strategis dalam membangun dialektika antara pengetahuan teoritis dan praktik sosial melalui proses pemberdayaan masyarakat desa. Penelitian ini bertujuan untuk menganalisis peran KKN sebagai media dialektika pengetahuan dan praktik sosial dalam mendukung pembangunan berbasis pemberdayaan. Metode penelitian menggunakan pendekatan deskriptif kualitatif dengan teknik pengumpulan data melalui observasi lapangan, wawancara, dan dokumentasi kegiatan KKN di beberapa desa. Hasil penelitian menunjukkan bahwa KKN merupakan ruang transformasi sosial dan intelektual, di mana mahasiswa berperan sebagai agen perubahan yang memfasilitasi transfer ilmu kepada masyarakat. Proses interaksi menghasilkan peningkatan kapasitas lokal, kemandirian, dan kesadaran kritis terhadap potensi desa. Dengan demikian, KKN berfungsi tidak hanya sebagai kegiatan pengabdian, tetapi juga sebagai media pembelajaran reflektif yang mengintegrasikan pengetahuan akademik dengan praktik sosial secara berkelanjutan.

SISTEM INFORMASI PENDAFTARAN ANTRIAN ORGANISASI MASYARAKAT BERBASIS WEB PADA KESATUAN BANGSA DAN POLITIK BEKASI KOTA

2026-01-22T07:13:15+00:00

Proses pendaftaran Antrian Organisasi Kemasyarakatan (Ormas) di Kantor Kesbangpol Kota Bekasi yang masih dilakukan secara manual menyebabkan antrean panjang, menumpuk dokumen fisik, dan lambatnya proses verifikasi, serta tertutupnya transparansi bagi masyarakat. Penelitian ini bertujuan mengembangkan sistem informasi pendaftaran Ormas berbasis web yang dapat menggantikan sistem manual dengan layanan dare 24 jam, unggah dokumen digital, status pelacakan, verifikasi elektronik, dan notifikasi otomatis. Pengembangan dilakukan menggunakan metode Waterfall melalui tahapan analisis kebutuhan, perancangan sistem dengan desain UI/UX menggunakan Figma dan database MySQL, implementasi berbasis HTML, PHP, dan Bootstrap , pengujian dengan black-box Testing dan User Acceptance Test , serta pemeliharaan sistem secara berkala. Hasil yang diharapkan dari sistem ini adalah efisiensi waktu pendaftaran (dari 5 menjadi 2 hari kerja), pengurangan antrean fisik hingga 70%, otomatisasi pekerjaan administrasi, peningkatan transparansi dan akuntabilitas layanan, serta mendukung program digitalisasi pelayanan publik menuju Smart City.

Analisis Sentimen Komentar Pengguna Aplikasi Astro Shop Di Google Playstrore Menggunakan Metode Support Vector Machine (SVM)

2026-01-22T10:58:15+00:00

Transformasi digital dalam satu dekade terakhir telah mendorong meningkatnya penggunaan aplikasi seluler untuk berbagai aktivitas, termasuk belanja daring. Salah satu aplikasi yang tengah berkembang di Indonesia adalah Astro Shop, yang memanfaatkan layanan pengiriman instan sebagai nilai unggulannya. Melimpahnya ulasan pengguna di Google Play Store menjadikan data tersebut sebagai sumber informasi berharga untuk mengevaluasi kualitas layanan. Namun, tingginya volume komentar yang bersifat tidak terstruktur memerlukan pendekatan analisis otomatis agar dapat diolah secara efektif. Penelitian ini bertujuan untuk melakukan analisis sentimen terhadap ulasan pengguna aplikasi Astro Shop dengan memanfaatkan algoritma Support Vector Machine (SVM). Data yang digunakan berjumlah 1.729 komentar dari Google Play Store yang dikumpulkan melalui teknik web crawling menggunakan Python. Selanjutnya, data diproses melalui tahapan pra-pemrosesan yang meliputi case folding, pembersihan teks, tokenisasi, penghapusan stopword, normalisasi, dan stemming. Fitur kata kemudian direpresentasikan dengan metode Term Frequency-Inverse Document Frequency (TF-IDF) sebelum digunakan pada tahap pelatihan dan pengujian model klasifikasi. Hasil evaluasi menunjukkan bahwa model SVM mampu mencapai akurasi keseluruhan sebesar 98%. Kelas negatif memiliki performa terbaik dengan precision 0,98, recall 1,00, dan f1-score 0,99, sementara kelas positif mencatat f1-score 0,69 dengan recall relatif rendah (0,54). Model tidak dapat memprediksi kelas netral karena jumlah data yang terlalu sedikit. Validasi silang 10-fold menunjukkan akurasi konsisten pada rentang 96,8% hingga 98,4%, yang menandakan model memiliki kemampuan generalisasi yang baik.