Publisher

IRPIIRPI

Journal MALCOM: Indonesian Journal of Machine Learning and Computer ScienceMALCOM: Indonesian Journal of Machine Learning and Computer Science Abstract

Bukti nyata PLN terus meningkatkan pelayanannya adalah dengan meluncurkan sebuah aplikasi yaitu PLN Mobile. Banyak pelanggan yang merasakan kemudahan dengan adanya aplikasi tersebut. Namun kini beberapa pelanggan mulai menjumpai permasalahan seperti gagal memuat lokasi saat melakukan pengaduan dan saat pembelian token dengan virtual account, saldo telah terpotong namun kode token tidak muncul. Penelitian ini melakukan analisis sentimen terhadap ulasan pengguna aplikasi PLN Mobile menggunakan pendekatan text mining. Pendekatan ini dapat melakukan klasifikasi sentimen pada ulasan pengguna dengan cepat. Data dikumpulkan menggunakan teknik scrapping pada Google Play Store, dan mendapatkan 3000 baris data. Data tersebut kemudian diberi label oleh seorang pakar, menghasilkan 2099 sentimen positif (69,97%), 368 netral (12,27%) dan 533 negatif (17,77%). Selanjutnya dilakukan pemodelan menggunakan algoritma NBC dan KNN dengan K-Fold Cross Validation sebagai teknik validasi. Hasilnya menunjukkan model NBC lebih baik daripada KNN dengan akurasi 77,69%, recall 53,14%, precision 59,84% dan F1‑Score 54,09%. Analisis visualisasi data menggunakan word cloud menunjukkan bahwa aplikasi PLN Mobile memberikan kemudahan kepada pelanggan, namun masih terdapat masalah pada pembayaran token.

Conclusion

Pengumpulan 3000 ulasan aplikasi PLN Mobile dan pelabelan menghasilkan 2099 sentimen positif (69,97 %), 368 netral (12,27 %) dan 533 negatif (17,77 %).Model Naïve Bayes menunjukkan akurasi 77,69 % serta nilai recall, precision, dan F1‑Score lebih tinggi dibandingkan K‑Nearest Neighbor.Meskipun aplikasi memberikan kemudahan, masih terdapat permasalahan pembayaran token sehingga disarankan PLN melakukan evaluasi fitur dan peningkatan layanan.

Future Research

Penelitian selanjutnya dapat menguji penerapan model jaringan saraf dalam analisis sentimen ulasan aplikasi PLN Mobile, seperti Convolutional Neural Network (CNN) atau Long Short‑Term Memory (LSTM), untuk melihat apakah kedalaman jaringan dapat meningkatkan akurasi dibandingkan metode tradisional Naïve Bayes dan K‑Nearest Neighbor. Selain itu, peneliti dapat memperluas sumber data dengan mengumpulkan komentar pengguna dari platform media sosial lain seperti Twitter, Instagram, atau forum online, kemudian melakukan analisis komparatif untuk menilai konsistensi sentimen antar platform dan mengidentifikasi faktor‑faktor unik yang memengaruhi persepsi pengguna. Selanjutnya, studi dapat mengeksplorasi teknik seleksi fitur otomatis serta pendekatan ensemble, misalnya menggabungkan hasil klasifikasi dari Naïve Bayes, Random Forest, dan Support Vector Machine, guna meningkatkan performa metrik recall, precision, dan F1‑Score. Penelitian juga dapat memasukkan analisis aspek (aspect‑based sentiment analysis) untuk mengkategorikan sentimen berdasarkan fitur spesifik aplikasi, seperti pembayaran token, notifikasi, atau layanan pengaduan, sehingga memberikan wawasan yang lebih terperinci bagi pengembang. Akhirnya, evaluasi longitudinal terhadap perubahan sentimen selama periode waktu tertentu dapat memberikan gambaran dinamika kepuasan pengguna setelah implementasi perbaikan fitur, membantu PLN dalam merencanakan strategi peningkatan layanan yang berkelanjutan.

References

1. Sentiment analysis on customer satisfaction of digital payment in Indonesia: A comparative study using... iopscience.iop.org/article/10.1088/1742-6596/1444/1/012034Sentiment analysis on customer satisfaction of digital payment in Indonesia A comparative study using iopscience iop article 10 1088 1742 6596 1444 1 012034
2. Application of The Nearest Neighbor Algorithm for Classification of Online Taxibike Sentiments In Indonesia... doi.org/10.1088/1742-6596/2049/1/012026Application of The Nearest Neighbor Algorithm for Classification of Online Taxibike Sentiments In Indonesia doi 10 1088 1742 6596 2049 1 012026
3. Analisis Sentimen Tokopedia Pada Ulasan di Google Playstore Menggunakan Algoritma Naïve... doi.org/10.30865/jurikom.v9i5.4774Analisis Sentimen Tokopedia Pada Ulasan di Google Playstore Menggunakan Algoritma NayEAve doi 10 30865 jurikom v9i5 4774
4. Perbandingan Algoritma Naïve Bayes Classifier Dan K-Nearest Neighbor Pada Sentimen Review... ejurnal.stmik-budidarma.ac.id/index.php/mib/article/view/6242Perbandingan Algoritma NayEAve Bayes Classifier Dan K Nearest Neighbor Pada Sentimen Review ejurnal stmik budidarma ac index php mib article view 6242

Metadata

File size	501.46 KB
Pages	10
DMCA	Report