Analisis Sentimen Ulasan Aplikasi Ajaib Kripto menggunakan IndoBERT dan Metode Root Cause Analysis
Kata Kunci:
Ajaib Kripto, Analisis Sentimen, Root Cause Analysis, IndoBERT, K-Means ClusteringAbstrak
Dalam situasi pasar keuangan global yang dinamis, aset kripto semakin diminati di Indonesia, dengan jumlah investor mencapai 18,51 juta pada 2023. Meskipun Aplikasi Ajaib Kripto cukup populer, ulasan di Google Playstore dengan total 7.000 ulasan dan rating 3,3 menunjukkan adanya ketidakpuasan pengguna. Penelitian ini bertujuan memberikan rekomendasi untuk meningkatkan layanan Ajaib Kripto melalui pendekatan Root Cause Analysis berbasis analisis sentimen pengguna. Data ulasan diambil dari Google Playstore dan diklasifikasikan menggunakan model IndoBERT untuk mengidentifikasi sentimen negatif. Selanjutnya, metode K-Means Clustering diterapkan untuk mengelompokkan ulasan negatif ke dalam beberapa kategori utama. Analisis akar permasalahan dilakukan untuk menggali sumber utama keluhan pengguna. Hasil penelitian mengidentifikasi empat aspek utama keluhan pengguna: Masalah Transaksi, Kinerja Aplikasi, Transaksi Kripto, dan Layanan Aplikasi. Rekomendasi perbaikan mencakup optimalisasi performa aplikasi, peningkatan kapasitas server, perbaikan fitur transaksi, serta penyederhanaan proses verifikasi. Implementasi rekomendasi ini diharapkan mampu meningkatkan kualitas layanan, kepuasan pengguna, dan daya saing Ajaib Kripto. Penelitian ini memberikan kontribusi signifikan bagi pengembangan layanan aplikasi kripto di Indonesia dengan menjadikan pengalaman pengguna sebagai prioritas utama.Dalam situasi pasar keuangan global yang dinamis, aset kripto semakin diminati di Indonesia, dengan jumlah investor mencapai 18,51 juta pada 2023. Meskipun Aplikasi Ajaib Kripto cukup populer, ulasan di Google Playstore dengan total 7.000 ulasan dan rating 3,3 menunjukkan adanya ketidakpuasan pengguna. Penelitian ini bertujuan memberikan rekomendasi untuk meningkatkan layanan Ajaib Kripto melalui pendekatan Root Cause Analysis berbasis analisis sentimen pengguna. Data ulasan diambil dari Google Playstore dan diklasifikasikan menggunakan model IndoBERT untuk mengidentifikasi sentimen negatif. Selanjutnya, metode K-Means Clustering diterapkan untuk mengelompokkan ulasan negatif ke dalam beberapa kategori utama. Analisis akar permasalahan dilakukan untuk menggali sumber utama keluhan pengguna. Hasil penelitian mengidentifikasi empat aspek utama keluhan pengguna: Masalah Transaksi, Kinerja Aplikasi, Transaksi Kripto, dan Layanan Aplikasi. Rekomendasi perbaikan mencakup optimalisasi performa aplikasi, peningkatan kapasitas server, perbaikan fitur transaksi, serta penyederhanaan proses verifikasi. Implementasi rekomendasi ini diharapkan mampu meningkatkan kualitas layanan, kepuasan pengguna, dan daya saing Ajaib Kripto. Penelitian ini memberikan kontribusi signifikan bagi pengembangan layanan aplikasi kripto di Indonesia dengan menjadikan pengalaman pengguna sebagai prioritas utama.
Referensi
Adventy, A., 2024. Bappebti Targetkan Transaksi Kripto Rp800 Triliun pada 2024. [online] Available at: <https://market.bisnis.com/read/20240131/94/1737181/bappebti-targetkan-transaksi-kripto-rp800-triliun-pada-2024> [Accessed 21 February 2024].
Aggarwal, C.C. and Zhai, C., 2012. Mining Text Data. 1st ed. [online] Springer New York: Springer New York, NY. https://doi.org/10.1007/978-1-4614.
Ajaib Kripto, 2024. Ajaib Kripto: Beli BTC/Crypto – Aplikasi di Google Play. [online] Available at: <https://play.google.com/store/apps/details?id=coin.ajaib.co.id&hl=id> [Accessed 21 February 2024].
Aninditya, A., Hasibuan, M.A. and Sutoyo, E., 2019. Text Mining Approach Using TF-IDF and Naive Bayes for Classification of Exam Questions Based on Cognitive Level of Bloom’s Taxonomy. In: 2019 IEEE International Conference on Internet of Things and Intelligence System (IoTaIS). pp.112–117. https://doi.org/10.1109/IoTaIS47347.2019.8980428.
Ashari, H., Arifianto, D. and Al Faruq, H.A., 2020. PERBANDINGAN KINERJA ALGORITMA MULTINOMIAL NAÏVE BAYES (MNB), MULTIVARIATE BERNOULLI DAN ROCCHIO ALGORITHM DALAM KLASIFIKASI KONTEN BERITA HOAX BERBAHASA INDONESIA PADA MEDIA SOSIAL.
Coinvestasi, 2024. Daftar Exchange Kripto Paling Banyak Digunakan Investor Indonesia. [online] Available at: <https://coinvestasi.com/berita/daftar-exchange-kripto-paling-banyak-digunakan-investor-indonesia> [Accessed 21 February 2024].
DataReportal, 2023. Digital 2023 Indonesia. [online] Available at: <https://datareportal.com/reports/digital-2023-indonesia> [Accessed 1 January 2025].
Kadhim, A., Cheah, Y.-N., Hieder, I. and Ali, R., 2017. Improving TF-IDF with Singular Value Decomposition (SVD) for Feature Extraction on Twitter. https://doi.org/10.23918/iec2017.16.
Park, S.-M. and Kim, Y.-G., 2021. Root Cause Analysis Based on Relations Among Sentiment Words. Cognitive Computation, [online] 13(4), pp.903–918. https://doi.org/10.1007/s12559-021-09872-3.
R Wahyudi, M.D., 2021. Evaluation of TF-IDF Algorithm Weighting Scheme in The Qur’an Translation Clustering with K-Means Algorithm. Journal of Information Technology and Computer Science, [online] 6(2), pp.117–129. https://doi.org/10.25126/jitecs.202162295.
Rahmatullah, B., 2021. Sentiment Analysis Pelaksanaan Work From Home di Indonesia pada Masa Pandemi COVID-19 Menggunakan IndoBERT. Institut Teknologi Sepuluh Nopember.
Rooney, James, J., Heuvel, V. and Lee, N., 2004. Root Cause Analysis For Beginners. [online] Available at: .
Statcounter Globalstat, 2024. Mobile Operating System Market Share Indonesia. [online] Available at: <https://gs.statcounter.com/os-market-share/mobile/indonesia/2024> [Accessed 1 January 2025].
Tan, K.L., Lee, C.P. and Lim, K.M., 2023. A Survey of Sentiment Analysis: Approaches, Datasets, and Future Research. Applied Sciences, [online] 13(7). https://doi.org/10.3390/app13074550.
Thota, P. and Ramez, E., 2021. Web Scraping of COVID-19 News Stories to Create Datasets for Sentiment and Emotion Analysis. In: Proceedings of the 14th PErvasive Technologies Related to Assistive Environments Conference, PETRA ’21. [online] New York, NY, USA: Association for Computing Machinery. pp.306–314. https://doi.org/10.1145/3453892.3461333.
Vorley, G., 2008. MINI GUIDE TO ROOT CAUSE ANALYSIS. [online] Available at: .
Wahyuni, W.A., Saepudin, S. and Sembiring, F., 2022. Sentiment Analysis of Online Investment Applications on Google Play Store using Random Forest Algorithm Method. Jurnal Mantik, [online] 5(4), p.4. Available at: <https://www.ejournal.iocscience.org/index.php/mantik/article/view/1910> [Accessed 1 January 2025].
Wilie, B., Vincentio, K., Winata, G.I., Cahyawijaya, S., Li, X., Lim, Z.Y., Soleman, S., Mahendra, R., Fung, P., Bahar, S. and Purwarianti, A., 2020. IndoNLU: Benchmark and Resources for Evaluating Indonesian Natural Language Understanding. ArXiv, [online] abs/2009.05387. Available at: <https://api.semanticscholar.org/CorpusID:221640658>.
Adventy, A., 2024. Bappebti Targetkan Transaksi Kripto Rp800 Triliun pada 2024. [online] Available at: <https://market.bisnis.com/read/20240131/94/1737181/bappebti-targetkan-transaksi-kripto-rp800-triliun-pada-2024> [Accessed 21 February 2024].
Aggarwal, C.C. and Zhai, C., 2012. Mining Text Data. 1st ed. [online] Springer New York: Springer New York, NY. https://doi.org/10.1007/978-1-4614.
Ajaib Kripto, 2024. Ajaib Kripto: Beli BTC/Crypto – Aplikasi di Google Play. [online] Available at: <https://play.google.com/store/apps/details?id=coin.ajaib.co.id&hl=id> [Accessed 21 February 2024].
Aninditya, A., Hasibuan, M.A. and Sutoyo, E., 2019. Text Mining Approach Using TF-IDF and Naive Bayes for Classification of Exam Questions Based on Cognitive Level of Bloom’s Taxonomy. In: 2019 IEEE International Conference on Internet of Things and Intelligence System (IoTaIS). pp.112–117. https://doi.org/10.1109/IoTaIS47347.2019.8980428.
Ashari, H., Arifianto, D. and Al Faruq, H.A., 2020. PERBANDINGAN KINERJA ALGORITMA MULTINOMIAL NAÏVE BAYES (MNB), MULTIVARIATE BERNOULLI DAN ROCCHIO ALGORITHM DALAM KLASIFIKASI KONTEN BERITA HOAX BERBAHASA INDONESIA PADA MEDIA SOSIAL.
Coinvestasi, 2024. Daftar Exchange Kripto Paling Banyak Digunakan Investor Indonesia. [online] Available at: <https://coinvestasi.com/berita/daftar-exchange-kripto-paling-banyak-digunakan-investor-indonesia> [Accessed 21 February 2024].
DataReportal, 2023. Digital 2023 Indonesia. [online] Available at: <https://datareportal.com/reports/digital-2023-indonesia> [Accessed 1 January 2025].
Kadhim, A., Cheah, Y.-N., Hieder, I. and Ali, R., 2017. Improving TF-IDF with Singular Value Decomposition (SVD) for Feature Extraction on Twitter. https://doi.org/10.23918/iec2017.16.
Park, S.-M. and Kim, Y.-G., 2021. Root Cause Analysis Based on Relations Among Sentiment Words. Cognitive Computation, [online] 13(4), pp.903–918. https://doi.org/10.1007/s12559-021-09872-3.
R Wahyudi, M.D., 2021. Evaluation of TF-IDF Algorithm Weighting Scheme in The Qur’an Translation Clustering with K-Means Algorithm. Journal of Information Technology and Computer Science, [online] 6(2), pp.117–129. https://doi.org/10.25126/jitecs.202162295.
Rahmatullah, B., 2021. Sentiment Analysis Pelaksanaan Work From Home di Indonesia pada Masa Pandemi COVID-19 Menggunakan IndoBERT. Institut Teknologi Sepuluh Nopember.
Rooney, James, J., Heuvel, V. and Lee, N., 2004. Root Cause Analysis For Beginners. [online] Available at: .
Statcounter Globalstat, 2024. Mobile Operating System Market Share Indonesia. [online] Available at: <https://gs.statcounter.com/os-market-share/mobile/indonesia/2024> [Accessed 1 January 2025].
Tan, K.L., Lee, C.P. and Lim, K.M., 2023. A Survey of Sentiment Analysis: Approaches, Datasets, and Future Research. Applied Sciences, [online] 13(7). https://doi.org/10.3390/app13074550.
Thota, P. and Ramez, E., 2021. Web Scraping of COVID-19 News Stories to Create Datasets for Sentiment and Emotion Analysis. In: Proceedings of the 14th PErvasive Technologies Related to Assistive Environments Conference, PETRA ’21. [online] New York, NY, USA: Association for Computing Machinery. pp.306–314. https://doi.org/10.1145/3453892.3461333.
Vorley, G., 2008. MINI GUIDE TO ROOT CAUSE ANALYSIS. [online] Available at: .
Wahyuni, W.A., Saepudin, S. and Sembiring, F., 2022. Sentiment Analysis of Online Investment Applications on Google Play Store using Random Forest Algorithm Method. Jurnal Mantik, [online] 5(4), p.4. Available at: <https://www.ejournal.iocscience.org/index.php/mantik/article/view/1910> [Accessed 1 January 2025].
Wilie, B., Vincentio, K., Winata, G.I., Cahyawijaya, S., Li, X., Lim, Z.Y., Soleman, S., Mahendra, R., Fung, P., Bahar, S. and Purwarianti, A., 2020. IndoNLU: Benchmark and Resources for Evaluating Indonesian Natural Language Understanding. ArXiv, [online] abs/2009.05387. Available at: <https://api.semanticscholar.org/CorpusID:221640658>.
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
