UMIUMI

METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi AkuntansiMETHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi

Perkembangan teknologi informasi mendorong transformasi digital di berbagai sektor, termasuk layanan publik. Evaluasi kualitas aplikasi berbasis mobile sering kali bergantung pada ulasan dan rating pengguna. Namun, ketidaksesuaian antara keduanya dapat mempengaruhi pemahaman terhadap kepuasan pelanggan. Penelitian ini menganalisis sentimen ulasan aplikasi PLN Mobile dengan menggunakan pendekatan yang menggabungkan metode SentiStrength_id berbasis leksikon dan model Support Vector Machine (SVM). Data dikumpulkan melalui teknik web scraping dari Google Play Store dan kemudian diproses melalui tahapan preprocessing, termasuk koreksi ejaan dengan metode Peter Norvig. Proses selanjutnya adalah tokenisasi, penghilangan stopword, dan pelabelan sentimen menggunakan SentiStrength_id. Hasil analisis menunjukkan bahwa model SVM dengan rasio data latih dan data uji sebesar 90:10 mencapai akurasi tertinggi sebesar 82%. Dari 11.004 data ulasan, hasil pelabelan sentimen menunjukkan 67,4% positif, 16,5% negatif, dan 16,1% netral. Dibandingkan dengan penilaian awal pengguna, ditemukan ketidaksesuaian sebesar 5% untuk kelas positif (553 data), 6,6% untuk kelas negatif (720 data), dan 11,6% untuk kelas netral (1.273 data). Analisis word cloud menunjukkan bahwa sentimen positif didominasi oleh kata-kata seperti “membantu, “mudah, dan “cepat, sedangkan sentimen negatif terkait dengan “tidak, “masalah, dan “gangguan, yang mencerminkan masalah teknis aplikasi. Sentimen netral berisi kata-kata yang berkaitan dengan pertanyaan tentang layanan dan token listrik. Penelitian ini menunjukkan bahwa kombinasi metode Peter Norvig dan SentiStrength_id berhasil meningkatkan kualitas analisis sentimen. Hasil ini menegaskan pentingnya preprocessing yang optimal dalam meningkatkan akurasi pemodelan sentimen berbasis machine learning.

Penelitian ini menunjukkan bahwa implementasi Peter Norvig sebagai spelling corrector dalam tahapan preprocessing, bersama dengan metode SentiStrength_id untuk pelabelan sentimen dan pemodelan menggunakan SVM, berhasil meningkatkan akurasi analisis sentimen hingga 82%.Hasil ini mengindikasikan adanya ketidaksesuaian antara rating pengguna dan sentimen yang terungkap dalam ulasan, dengan persentase ketidaksesuaian sebesar 5% untuk kelas positif, 6,6% untuk kelas negatif, dan 11,6% untuk kelas netral.Kombinasi metode ini menegaskan pentingnya preprocessing yang optimal dalam meningkatkan akurasi pemodelan sentimen berbasis machine learning.

Berdasarkan temuan penelitian ini, terdapat beberapa arah penelitian lanjutan yang dapat dieksplorasi. Pertama, penelitian dapat difokuskan pada pengembangan model bahasa yang lebih canggih untuk menangani variasi bahasa Indonesia yang kompleks, termasuk dialek dan slang, guna meningkatkan akurasi pelabelan sentimen. Kedua, penelitian dapat menginvestigasi penggunaan teknik deep learning, seperti recurrent neural networks (RNN) atau transformers, untuk memodelkan sentimen dalam ulasan aplikasi, dengan mempertimbangkan konteks dan hubungan antar kata yang lebih luas. Ketiga, penelitian dapat mengeksplorasi integrasi analisis sentimen dengan data demografis pengguna untuk mengidentifikasi pola sentimen berdasarkan karakteristik pengguna, sehingga dapat memberikan wawasan yang lebih mendalam tentang preferensi dan kebutuhan pengguna.

  1. Sentiment Analysis of Covid-19 Handling in Indonesia Based on Lexicon Weighting | Jurnal Sisfokom (Sistem... jurnal.atmaluhur.ac.id/index.php/sisfokom/article/view/1615Sentiment Analysis of Covid 19 Handling in Indonesia Based on Lexicon Weighting Jurnal Sisfokom Sistem jurnal atmaluhur ac index php sisfokom article view 1615
  2. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas)i. sentiment analysis work home activity svm randomized... jurnal.iaii.or.id/index.php/RESTI/article/view/3457Jurnal RESTI Rekayasa Sistem dan Teknologi Informas i sentiment analysis work home activity svm randomized jurnal iaii index php RESTI article view 3457
  3. J-ICON: Jurnal Komputer dan Informatika. sentiment analysis time covid method icon jurnal komputer informatika... doi.org/10.35508/jicon.v9i2.4275J ICON Jurnal Komputer dan Informatika sentiment analysis time covid method icon jurnal komputer informatika doi 10 35508 jicon v9i2 4275
  4. Sentiment Analysis Of Cyberbullying On Twitter Using SentiStrength | Khaira | Indonesian Journal of Artificial... ejournal.uin-suska.ac.id/index.php/IJAIDM/article/view/9145Sentiment Analysis Of Cyberbullying On Twitter Using SentiStrength Khaira Indonesian Journal of Artificial ejournal uin suska ac index php IJAIDM article view 9145
Read online
File size1.12 MB
Pages7
DMCAReport

Related /

ads-block-test