HOSTJOURNALSHOSTJOURNALS

Bulletin of Computer Science ResearchBulletin of Computer Science Research

Penelitian ini bertujuan untuk menganalisis sentimen keluhan pelanggan terhadap layanan Internet Service Provider (ISP) di Indonesia, di mana masalah utama yang sering muncul meliputi gangguan koneksi, kecepatan internet yang lambat, sinyal lemah, serta penanganan keluhan yang tidak responsif dan tidak informatif, sebagaimana tercermin dari berbagai laporan konsumen di media sosial. Masalah ini berdampak pada ketidakpuasan pelanggan dan menuntut solusi analisis data untuk memahami opini publik secara mendalam. Data dikumpulkan melalui API dari salah satu platform media sosial menggunakan kata kunci terkait layanan internet, seperti gangguan internet dan keluhan internet. Data melalui tahapan prapemrosesan teks, meliputi pembersihan, case folding, tokenisasi, penghapusan stopword, dan stemming untuk menghasilkan teks yang konsisten. Fitur teks diekstraksi menggunakan Term Frequency–Inverse Document Frequency (TF-IDF), yang kemudian diklasifikasikan dengan algoritma Support Vector Machine (SVM). Evaluasi model menggunakan 10-Fold Cross Validation menghasilkan akurasi rata-rata 91,47%, presisi 94,27%, recall 99,20%, dan F1-score 96,67%. Frekuensi kemunculan kata menunjukkan kata dominan seperti “lambat, “gangguan, dan “sinyal sebagai isu utama keluhan pelanggan. Kombinasi SVM dan TF-IDF terbukti efektif untuk analisis sentimen berbahasa Indonesia, memberikan kontribusi akademik dan praktis bagi ISP untuk memantau opini pelanggan dan meningkatkan kualitas layanan.

Penelitian berhasil mengembangkan model analisis sentimen berbasis SVM dan TF‑IDF untuk mengklasifikasikan keluhan pelanggan ISP di Indonesia dengan akurasi rata‑rata 91,47% serta metrik presisi, recall, dan F1‑score yang tinggi.Analisis frekuensi kata menunjukkan bahwa isu utama keluhan pelanggan berkaitan dengan kecepatan dan stabilitas jaringan, seperti kata “lambat, “gangguan, dan “sinyal.Namun, keterbatasan cakupan data pada satu platform media sosial dan kesulitan dalam mendeteksi sarkasme menuntut penelitian lanjutan yang memanfaatkan model deep learning seperti BERT, memperluas sumber data, serta mengintegrasikan analisis multimodal dan topic modeling.

Penelitian selanjutnya dapat mengeksplorasi pertanyaan: bagaimana performa model analisis sentimen jika data dikumpulkan secara simultan dari berbagai platform media sosial seperti Instagram, TikTok, dan forum online, serta bagaimana integrasi data lintas platform memengaruhi akurasi klasifikasi? Selanjutnya, dapat diteliti pengembangan model hibrida yang menggabungkan kekuatan Support Vector Machine dengan arsitektur transformer seperti BERT untuk meningkatkan deteksi sarkasme dan code‑mixing dalam teks berbahasa Indonesia, serta mengevaluasi kontribusi mekanisme attention terhadap interpretabilitas hasil. Selain itu, penting untuk menyelidiki pendekatan streaming real‑time yang memanfaatkan teknik pembelajaran berkelanjutan untuk memantau sentimen pelanggan secara dinamis, sehingga sistem dapat menyesuaikan diri dengan perubahan topik dan bahasa secara otomatis. Kajian ini juga dapat melibatkan analisis multimodal dengan menggabungkan teks, gambar, dan meme untuk memahami konteks visual yang memengaruhi persepsi pelanggan, serta mengidentifikasi pola emosional yang tersembunyi. Penelitian‑penelitian tersebut diharapkan dapat menghasilkan metodologi yang lebih robust, meningkatkan kemampuan deteksi isu kritis, dan memberikan wawasan yang lebih komprehensif bagi penyedia layanan ISP.

  1. Login. required fields marked asterisk lembaga penelitian pengabdian masyarakat lppm sekolah ekonomi... doi.org/10.55606/inovasi.v3i1.2734Login required fields marked asterisk lembaga penelitian pengabdian masyarakat lppm sekolah ekonomi doi 10 55606 inovasi v3i1 2734
  2. Optimization of the Stemming Technique on Text Preprocessing President 3 Periods Topic | Jurnal Transformatika.... doi.org/10.26623/transformatika.v20i2.5374Optimization of the Stemming Technique on Text Preprocessing President 3 Periods Topic Jurnal Transformatika doi 10 26623 transformatika v20i2 5374
  3. Implementasi Metode Text Mining Frequency-Invers Document Frequency (Tf-Idf) Untuk Monitoring Diskusi... djournals.com/jieee/article/view/353Implementasi Metode Text Mining Frequency Invers Document Frequency Tf Idf Untuk Monitoring Diskusi djournals jieee article view 353
  4. PENERAPAN ALGORITMA SUPPORT VECTOR MACHINE (SVM) UNTUK KLASIFIKASI IKAN HIAS CHANNA | JATI (Jurnal Mahasiswa... doi.org/10.36040/jati.v8i5.11174PENERAPAN ALGORITMA SUPPORT VECTOR MACHINE SVM UNTUK KLASIFIKASI IKAN HIAS CHANNA JATI Jurnal Mahasiswa doi 10 36040 jati v8i5 11174
Read online
File size396.39 KB
Pages8
DMCAReport

Related /

ads-block-test