Analisis Sentimen Berbasis Aspek untuk Pengguna PLN Mobile Pada Google Playstore Menggunakan Metode Support Vector Machine (SVM)
Kata Kunci:
Analisis Sentimen Berbasis Aspek, Topic Modelling, PLN Mobile, Support Vector Machine, Latent Dirichlet Allocation, Root Cause Analysis: 5 WhyAbstrak
Perusahaan Listrik Negara atau dikenal dengan PT. PLN (Persero) merupakan perusahaan yang bergerak dibidang jasa penyedia listrik di Indonesia dan termasuk Badan Usaha Milik Negara. Untuk memahami aspek-aspek yang memberikan pengaruh positif dan negatif pada aplikasi PLN Mobile, serta perbedaan signifikan dalam rating aplikasi serupa seperti MyPertamina, penelitian ini dilakukan. Penelitian ini berfokus pada ulasan pengguna dari Juli 2023 hingga April 2024 yang berbahasa Indonesia. Metode yang digunakan meliputi Latent Dirichlet Allocation (LDA) untuk mengekstrak aspek-aspek dari sentimen pengguna dan Support Vector Machine (SVM) untuk mengklasifikasikan sentimen tersebut. Data dikumpulkan melalui web scraping dari Google PlayStore, kemudian diproses melalui beberapa tahapan seperti normalisasi, tokenisasi, dan stemming. Hasil analisis menunjukkan bahwa metode yang digunakan mampu mengidentifikasi aspek-aspek kunci yang mempengaruhi sentimen pengguna, baik secara positif maupun negatif. Evaluasi model dilakukan menggunakan Confusion Matrix dan K-Fold Cross-Validation untuk memastikan akurasi klasifikasi sentimen. Visualisasi hasil analisis ditampilkan dalam bentuk Word Cloud untuk memberikan gambaran yang lebih jelas mengenai distribusi sentimen. Analisis lanjutan menggunakan Root Cause Analysis: 5 Why’s membantu mengidentifikasi faktor-faktor yang mendasari sentimen negatif. Penerapan Root Cause Analysis: 5 Why’s menemukan beberapa akar permasalahan yang menjadi alasan munculnya ulasan negatif yang dapat memberikan pengetahuan yang dapat digunakan untuk mengembangkan aplikasi PLN Mobile.
Referensi
Azeema, S., Fariha, K., & Fatima, B. (2018). An Overview of Lexicon-Based Approach For Sentiment Analysis.
Blei, D. M., Ng, A. Y., & Michael, J. (2003). Latent Dirichlet Allocation. In Journal of Machine Learning Research (Vol. 3).
Cardoso-Fernandes, J., Teodoro, A. C., Lima, A., & Roda-Robles, E. (2020). Semi-automatization of support vector machines to map lithium (Li) bearing pegmatites. Remote Sensing, 12(14). https://doi.org/10.3390/rs12142319
Deviacita, D., Sasty, H., & Muhardi, H. (2019). Implementasi Web Scraping untuk Pengambilan Data pada Situs Marketplace. 7(4).
Fadilla, Z., Ketut Ngurah Ardiawan, M., Eka Sari Karimuddin Abdullah, M., Jannah Ummul Aiman, M., & Hasda, S. (2022). METODOLOGI PENELITIAN KUANTITATIF. http://penerbitzaini.com
Febriayu, L., & Pujiastuti, W. (2023). Pemanfaatan Basis Data Pada Mobile Banking Di PT. Bank Rakyat Indonesia PERSERO. JurnalJurnal Sains Dan Teknologi (JSIT), 3(3), 233–238.
Huda Ovirianti, N., Zarlis, M., & Mawengkang, H. (2022). Support Vector Machine Using A Classification Algorithm. Jurnal Dan Penelitian Teknik Informatika, 6(3). https://doi.org/10.33395/sinkron.v7i3
Ismet, H. T., Mustaqim, T., & Purwitasari, D. (2022). Aspect Based Sentiment Analysis of Product Review Using Memory Network. Scientific Journal of Informatics, 9(1), 73–83. https://doi.org/10.15294/sji.v9i1.34094
Mustakim, H., & Priyanta, S. (2022). Aspect-Based Sentiment Analysis of KAI Access Reviews Using NBC and SVM. IJCCS (Indonesian Journal of Computing and Cybernetics Systems), 16(2), 113. https://doi.org/10.22146/ijccs.68903
Nurhayati, Soekarno, I., Hadihardaja, I., & Cahyono, M. (2014). A Study of Hold-Out and K-Fold Cross Validation for Accuracy of Groundwater Modeling in Tidal Lowland Reclamation Using Extreme Learning Machine.
Nurjannah, M., & Fitri Astuti, I. (2013). PENERAPAN ALGORITMA TERM FREQUENCY-INVERSE DOCUMENT FREQUENCY (TF-IDF) UNTUK TEXT MINING Mahasiswa S1 Program Studi Ilmu Komputer FMIPA Universitas Mulawarman 2,3). In Jurnal Informatika Mulawarman (Vol. 8, Issue 3).
Nurul Hidayati, Faqih Hamami, & Riska Yanu Fa’rifah. (2023). Aspect-Based Sentiment Analysis On FLIP Application Reviews (Play Store) Using Support Vector Machine (SVM) Algorithm. JOURNAL OF INFORMATICS AND TELECOMMUNICATION ENGINEERING, 7(1), 183–197. https://doi.org/10.31289/jite.v7i1.9768
Petty Wahyuningtyas, N., Eka Ratnawati, D., & Yudi Setiawan, N. (2023). Root Cause Analysis (RCA) berbasis Sentimen menggunakan Metode K-Nearest Neighbor (K-NN) (Studi Kasus: Pengunjung Kolam Renang Brawijaya) (Vol. 7, Issue 5). http://j-ptiik.ub.ac.id
Pickett, M., Cline, D., & Ryan, J. (2020). Exploring Coherence Metrics for Optimizing Topic Models of Humpback Song.
Roiqoh, S., & Zaman, B. (2023). Analisis Sentimen Berbasis Aspek Ulasan Aplikasi Mobile JKN dengan Lexicon Based dan Naïve Bayes. https://doi.org/10.30865/mib.v7i3.6194
Sari, D. R., Matsaany, B., & Hamka, M. (2023). ASPECT EXTRACTION OF E-COMMERCE AND MARKETPLACE APPLICATIONS USING WORD2VEC AND WORDNET PATH. Jurnal Teknik Informatika (Jutif), 4(4), 787–796. https://doi.org/10.52436/1.jutif.2023.4.4.726
Singh, P., Singh, N., Singh, K. K., & Singh, A. (2021). Diagnosing of disease using machine learning. Machine Learning and the Internet of Medical Things in Healthcare, 89–111. https://doi.org/10.1016/B978-0-12-821229-5.00003-3
Stevens, K., Andrzejewski, D., Buttler, D., & Kegelmeyer, P. (2012). Exploring Topic Coherence over many models and many topics. Association for Computational Linguistics. http://mallet.cs.umass.edu/
UU Nomor 25 Tahun 2009. (2009).
Wang, B., Wang, A., Chen, F., Wang, Y., & Kuo, C.-C. J. (2019). Evaluating Word Embedding Models: Methods and Experimental Results. https://doi.org/10.1017/ATSIP.2019.12
Wibowo, K., Sugiyarto, & Setiono. (2018). Analisa dan Evaluasi : Akar Penyebab dan Biaya Sisa Material Konstruksi Proyek Pembangunan Kantor Kelurahan di Kota Solo, Sekolah, dan Pasar Menggunakan Root Cause Analysis (RCA) dan Fault Tree Analysis (FTA).
Zulfahmi, I., Williem Iskandar, J., Medan, P. V, Tuan, S., & Serdang, D. (2024). Analisis Sentimen Aplikasi PLN Mobile Menggunakan Metode Decission Tree. Jurnal Penelitian Rumpun Ilmu Teknik (JUPRIT), 3(1), 11–21. https://doi.org/10.55606/juprit.v3i1.3096
Azeema, S., Fariha, K., & Fatima, B. (2018). An Overview of Lexicon-Based Approach For Sentiment Analysis.
Blei, D. M., Ng, A. Y., & Michael, J. (2003). Latent Dirichlet Allocation. In Journal of Machine Learning Research (Vol. 3).
Cardoso-Fernandes, J., Teodoro, A. C., Lima, A., & Roda-Robles, E. (2020). Semi-automatization of support vector machines to map lithium (Li) bearing pegmatites. Remote Sensing, 12(14). https://doi.org/10.3390/rs12142319
Deviacita, D., Sasty, H., & Muhardi, H. (2019). Implementasi Web Scraping untuk Pengambilan Data pada Situs Marketplace. 7(4).
Fadilla, Z., Ketut Ngurah Ardiawan, M., Eka Sari Karimuddin Abdullah, M., Jannah Ummul Aiman, M., & Hasda, S. (2022). METODOLOGI PENELITIAN KUANTITATIF. http://penerbitzaini.com
Febriayu, L., & Pujiastuti, W. (2023). Pemanfaatan Basis Data Pada Mobile Banking Di PT. Bank Rakyat Indonesia PERSERO. JurnalJurnal Sains Dan Teknologi (JSIT), 3(3), 233–238.
Huda Ovirianti, N., Zarlis, M., & Mawengkang, H. (2022). Support Vector Machine Using A Classification Algorithm. Jurnal Dan Penelitian Teknik Informatika, 6(3). https://doi.org/10.33395/sinkron.v7i3
Ismet, H. T., Mustaqim, T., & Purwitasari, D. (2022). Aspect Based Sentiment Analysis of Product Review Using Memory Network. Scientific Journal of Informatics, 9(1), 73–83. https://doi.org/10.15294/sji.v9i1.34094
Mustakim, H., & Priyanta, S. (2022). Aspect-Based Sentiment Analysis of KAI Access Reviews Using NBC and SVM. IJCCS (Indonesian Journal of Computing and Cybernetics Systems), 16(2), 113. https://doi.org/10.22146/ijccs.68903
Nurhayati, Soekarno, I., Hadihardaja, I., & Cahyono, M. (2014). A Study of Hold-Out and K-Fold Cross Validation for Accuracy of Groundwater Modeling in Tidal Lowland Reclamation Using Extreme Learning Machine.
Nurjannah, M., & Fitri Astuti, I. (2013). PENERAPAN ALGORITMA TERM FREQUENCY-INVERSE DOCUMENT FREQUENCY (TF-IDF) UNTUK TEXT MINING Mahasiswa S1 Program Studi Ilmu Komputer FMIPA Universitas Mulawarman 2,3). In Jurnal Informatika Mulawarman (Vol. 8, Issue 3).
Nurul Hidayati, Faqih Hamami, & Riska Yanu Fa’rifah. (2023). Aspect-Based Sentiment Analysis On FLIP Application Reviews (Play Store) Using Support Vector Machine (SVM) Algorithm. JOURNAL OF INFORMATICS AND TELECOMMUNICATION ENGINEERING, 7(1), 183–197. https://doi.org/10.31289/jite.v7i1.9768
Petty Wahyuningtyas, N., Eka Ratnawati, D., & Yudi Setiawan, N. (2023). Root Cause Analysis (RCA) berbasis Sentimen menggunakan Metode K-Nearest Neighbor (K-NN) (Studi Kasus: Pengunjung Kolam Renang Brawijaya) (Vol. 7, Issue 5). http://j-ptiik.ub.ac.id
Pickett, M., Cline, D., & Ryan, J. (2020). Exploring Coherence Metrics for Optimizing Topic Models of Humpback Song.
Roiqoh, S., & Zaman, B. (2023). Analisis Sentimen Berbasis Aspek Ulasan Aplikasi Mobile JKN dengan Lexicon Based dan Naïve Bayes. https://doi.org/10.30865/mib.v7i3.6194
Sari, D. R., Matsaany, B., & Hamka, M. (2023). ASPECT EXTRACTION OF E-COMMERCE AND MARKETPLACE APPLICATIONS USING WORD2VEC AND WORDNET PATH. Jurnal Teknik Informatika (Jutif), 4(4), 787–796. https://doi.org/10.52436/1.jutif.2023.4.4.726
Singh, P., Singh, N., Singh, K. K., & Singh, A. (2021). Diagnosing of disease using machine learning. Machine Learning and the Internet of Medical Things in Healthcare, 89–111. https://doi.org/10.1016/B978-0-12-821229-5.00003-3
Stevens, K., Andrzejewski, D., Buttler, D., & Kegelmeyer, P. (2012). Exploring Topic Coherence over many models and many topics. Association for Computational Linguistics. http://mallet.cs.umass.edu/
UU Nomor 25 Tahun 2009. (2009).
Wang, B., Wang, A., Chen, F., Wang, Y., & Kuo, C.-C. J. (2019). Evaluating Word Embedding Models: Methods and Experimental Results. https://doi.org/10.1017/ATSIP.2019.12
Wibowo, K., Sugiyarto, & Setiono. (2018). Analisa dan Evaluasi : Akar Penyebab dan Biaya Sisa Material Konstruksi Proyek Pembangunan Kantor Kelurahan di Kota Solo, Sekolah, dan Pasar Menggunakan Root Cause Analysis (RCA) dan Fault Tree Analysis (FTA).
Zulfahmi, I., Williem Iskandar, J., Medan, P. V, Tuan, S., & Serdang, D. (2024). Analisis Sentimen Aplikasi PLN Mobile Menggunakan Metode Decission Tree. Jurnal Penelitian Rumpun Ilmu Teknik (JUPRIT), 3(1), 11–21. https://doi.org/10.55606/juprit.v3i1.3096
Unduhan
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.
