Analisis Pengelompokan Ulasan Pengguna menggunakan K-Means Clustering untuk Evaluasi Aplikasi My SAPK BKN
Kata Kunci:
BKN, K-Means Clustering, My SAPK BKN, Root Cause Analysis, UlasanAbstrak
Keberhasilan pemerintahan berkaitan erat dengan kinerja Aparatur Sipil Negara (ASN), sehingga penting untuk memaksimalkan pengelolaan administrasi kepegawaian. Transformasi digital pada pemerintahan semakin berkembang, tetapi aplikasi My SAPK BKN kerap mendapati ulasan berupa keluhan pengguna pada Google Play Store. Penelitian ini bertujuan untuk menganalisis aspek-aspek yang dihasilkan dari pengelompokan ulasan pengguna menggunakan metode K-Means Clustering pada aplikasi Android My SAPK BKN, serta melakukan evaluasi melalui Root Cause Analysis terhadap hasil analisis pengelompokan tersebut. Analisis pengelompokan ulasan pengguna menghasilkan tiga cluster aspek, yaitu data, server, dan autentikasi. Evaluasi yang dilakukan melalui validasi dari tujuh PNS sebagai pengguna, serta rekomendasi dari ahli pengembangan aplikasi, menghasilkan draft evaluasi yang dapat menjadi bahan pertimbangan untuk meningkatkan kualitas aplikasi My SAPK BKN, khususnya dalam menangani masalah data hilang, server eror, dan autentikasi. Rekomendasi melibatkan peningkatan error handling, testing, integrasi dengan Google Drive API, penggunaan catching, fitur autosave, dan variasi opsi autentikasi. Evaluasi ini diharapkan dapat memberikan sumbangan signifikan untuk pengembangan aplikasi pelayanan kepegawaian yang lebih efektif dan responsif terhadap kebutuhan ASN.
Referensi
Akbar, N. E., Adikara, P. P., & Wihandika, R. C. (2020). Analisis Sentimen Layanan Astra Honda Motor Menggunakan Metode Naïve Bayes dan Identifikasi Aspek pada Layanan Menggunakan DBSCAN. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 4(3), 929–937. http://j-ptiik.ub.ac.id
Arrohim, N. A. (2022). Efektivitas Pemuktahiran Data Mandiri ASN Melalui Aplikasi Mysapk dan SIASN Pada Badan Kepegawaian dan Pengembangan Sumber Daya Manusia Kabupaten Pamekasan Provinsi Jawa Timur. Institut Pemerintahan Dalam Negeri.
Arunachalam, R., & Sarkar, S. (2013). The New Eye of Government: Citizen Sentiment Analysis in Social Media. Sixth International Joint Conference on Natural Language Processing - Workshop on NLP for Social Media (SocialNLP), October, 23–28. https://www.aclweb.org/anthology/W/W13/W13-4204.pdf
Chen, L., Martineau, J., Cheng, D., & Sheth, A. (2016). Clustering for simultaneous extraction of aspects and features from reviews. 2016 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, NAACL HLT 2016 - Proceedings of the Conference, 789–799. https://doi.org/10.18653/v1/n16-1093
Hidayati, Q. R., & Surono, S. (2021). Implementasi Algoritma Spectral Clustering Untuk Analisis Sentimen. Delta: Jurnal Ilmiah Pendidikan Matematika, 9(1), 27. https://doi.org/10.31941/delta.v9i1.1229
Kanungo, T., Mount, D. M., Netanyahu, N. S., Piatko, C. D., Silverman, R., & Wu, A. Y. (2002). An efficient k-means clustering algorithm: analysis and implementation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 24(7), 881–892. https://doi.org/10.1109/TPAMI.2002.1017616
Kumar, S., Suhaib, M., & Asjad, M. (2020). Narrowing the barriers to Industry 4.0 practices through PCA-Fuzzy AHP-K means. Journal of Advances in Management Research, 18(2), 200–226. https://doi.org/10.1108/JAMR-06-2020-0098
Layton, R., Watters, P., & Dazeley, R. (2013). Evaluating authorship distance methods using the positive Silhouette coefficient. Natural Language Engineering, 19(4), 517–535. https://doi.org/10.1017/S1351324912000241
Lestari, I. D., & Suni, B. (2022). Implementasi Kebijakan Pemutakhiran Data Mandiri Aparatur Sipil Negara Melalui Aplikasi Mysapk Pada Badan Kepegawaian Daerah Provinsi Kalimantan Barat. JPASDEV Journal of Public Administration and Sociology of Development, 3(1). https://mysapk.bkn.go.id/
Park, S. M., & Kim, Y. G. (2021). Root Cause Analysis Based on Relations Among Sentiment Words. Cognitive Computation, 13(4), 903–918. https://doi.org/10.1007/s12559-021-09872-3
Rooney, J. J., & Vanden Hauvel, L. N. (2004). Root cause analysis for beginners. Quality Progress, 37(7), 45–53.
Utomo, W. (2021). The comparison of k-means and k-medoids algorithms for clustering the spread of the covid-19 outbreak in Indonesia. ILKOM Jurnal Ilmiah, 13(1), 31–35. https://doi.org/10.33096/ilkom.v13i1.763.31-35
Akbar, N. E., Adikara, P. P., & Wihandika, R. C. (2020). Analisis Sentimen Layanan Astra Honda Motor Menggunakan Metode Naïve Bayes dan Identifikasi Aspek pada Layanan Menggunakan DBSCAN. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 4(3), 929–937. http://j-ptiik.ub.ac.id
Arrohim, N. A. (2022). Efektivitas Pemuktahiran Data Mandiri ASN Melalui Aplikasi Mysapk dan SIASN Pada Badan Kepegawaian dan Pengembangan Sumber Daya Manusia Kabupaten Pamekasan Provinsi Jawa Timur. Institut Pemerintahan Dalam Negeri.
Arunachalam, R., & Sarkar, S. (2013). The New Eye of Government: Citizen Sentiment Analysis in Social Media. Sixth International Joint Conference on Natural Language Processing - Workshop on NLP for Social Media (SocialNLP), October, 23–28. https://www.aclweb.org/anthology/W/W13/W13-4204.pdf
Chen, L., Martineau, J., Cheng, D., & Sheth, A. (2016). Clustering for simultaneous extraction of aspects and features from reviews. 2016 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, NAACL HLT 2016 - Proceedings of the Conference, 789–799. https://doi.org/10.18653/v1/n16-1093
Hidayati, Q. R., & Surono, S. (2021). Implementasi Algoritma Spectral Clustering Untuk Analisis Sentimen. Delta: Jurnal Ilmiah Pendidikan Matematika, 9(1), 27. https://doi.org/10.31941/delta.v9i1.1229
Kanungo, T., Mount, D. M., Netanyahu, N. S., Piatko, C. D., Silverman, R., & Wu, A. Y. (2002). An efficient k-means clustering algorithm: analysis and implementation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 24(7), 881–892. https://doi.org/10.1109/TPAMI.2002.1017616
Kumar, S., Suhaib, M., & Asjad, M. (2020). Narrowing the barriers to Industry 4.0 practices through PCA-Fuzzy AHP-K means. Journal of Advances in Management Research, 18(2), 200–226. https://doi.org/10.1108/JAMR-06-2020-0098
Layton, R., Watters, P., & Dazeley, R. (2013). Evaluating authorship distance methods using the positive Silhouette coefficient. Natural Language Engineering, 19(4), 517–535. https://doi.org/10.1017/S1351324912000241
Lestari, I. D., & Suni, B. (2022). Implementasi Kebijakan Pemutakhiran Data Mandiri Aparatur Sipil Negara Melalui Aplikasi Mysapk Pada Badan Kepegawaian Daerah Provinsi Kalimantan Barat. JPASDEV Journal of Public Administration and Sociology of Development, 3(1). https://mysapk.bkn.go.id/
Park, S. M., & Kim, Y. G. (2021). Root Cause Analysis Based on Relations Among Sentiment Words. Cognitive Computation, 13(4), 903–918. https://doi.org/10.1007/s12559-021-09872-3
Rooney, J. J., & Vanden Hauvel, L. N. (2004). Root cause analysis for beginners. Quality Progress, 37(7), 45–53.
Utomo, W. (2021). The comparison of k-means and k-medoids algorithms for clustering the spread of the covid-19 outbreak in Indonesia. ILKOM Jurnal Ilmiah, 13(1), 31–35. https://doi.org/10.33096/ilkom.v13i1.763.31-35
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2024 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
