Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kepuasan pelanggan merupakan salah satu faktor penting bagi keberhasilan suatu bisnis, termasuk pada industri jasa penerbangan yang mengalami peningkatan dari tahun ke tahun. Salah satu cara untuk mengukur tingkat kepuasan pelanggan adalah dengan cara penyampaian opini atau ulasan. Opini atau ulasan disampaikan melalui pesan singkat, kotak saran, media sosial maupun halaman web sehingga data yang tersedia berjumlah banyak. Pendekatan text mining tepat digunakan untuk mengekstrak informasi dari data ulasan yang berjumlah banyak secara otomatis. Penelitian ini mengevaluasi dan menganalisis ulasan pelanggan terhadap layanan dan fasilitas Bandara Soekarno-Hatta yang merupakan bandara terbesar di Indonesia. Penelitian ini mengombinasikan pendekatan text mining berupa analisis sentimen dan text summarization. Teknik klasifikasi digunakan untuk mengidentifikasi sentimen positif atau negatif yang terkandung dalam kalimat ulasan. Teknik klasifikasi yang digunakan adalah support vector machine yang cocok digunakan untuk data yang berjumlah besar dan na ve bayes classifier yang hanya membutuhkan jumlah data latihan yang kecil untuk menentukan estimasi parameter dalam proses pengklasifikasian. Text summarization dengan teknik k-medoids clustering digunakan untuk memperoleh kalimat representatif yang menggambarkan keseluruhan isi ulasan. Hasil dari teknik klasifikasi pada penelitian ini menunjukkan bahwa algoritme support vector machine menghasilkan nilai akurasi yang lebih tinggi dibandingkan algoritme na ve bayes classifier dalam menganalisis sentimen. Tahap text summarization dengan teknik k-medoids clustering menghasilkan nilai Davies-Bouldin Index yang mendekati nol. Luaran dari penelitian ini berupa identifikasi aspek layanan dan fasilitas bandara yang menjadi kekuatan dan kelemahan serta penentuan prioritas perbaikan dan peningkatan kualitas aspek layanan dan fasilitas yang masih menjadi kelemahan.

---

Customer satisfaction is an important factor for the business rsquo success, including airline service industry which is increasing from year to year. One way to measure customer satisfaction level is by customer opinions or reviews. Opinions or reviews are conveyed via short messages, suggestion boxes, social media and web pages so customer reviews provided are numerous. Text mining is a right approach to extract information from a large number of review data automatically. This study evaluates and analyzes customer reviews of services and facilities of Soekarno Hatta Airport as the largest airport in Indonesia. This study combines text mining approach of sentimental analysis and text summarization. The classification technique is used to identify the positive or negative sentiments contained in the review sentence. The classification technique used is a support vector machine suitable for large amounts of data and na ve bayes classifier which requires only a small amount of exercise data to determine parameter estimation in the classification process. Text summarization with k medoids clustering technique is used to obtain representative sentences that describe the entire contents of the review. The results of the classification technique in this study indicate that support vector machine algorithm has a higher accuracy value than na ve bayes classifier algorithm in analyzing sentiments. Text summarization stage with k medoids clustering technique yields a near zero Davies Bouldin Index value. The output of this research is identification of service aspect and airport facility which become the strength and weakness as well as the improvement prioritization of aspects that still become weakness."

"Ulasan hotel online di era modern ini memiliki peran besar mengingat hotel merupakan faktor penentu daya saing sebuah daerah wisata, namun pemanfaatannya masih jarang ditemukan. Berkaitan dengan rencana pemerintah untuk meningkatkan kunjungan wisatawan ke Indonesia, penelitian ini mengaplikasikan text mining terhadap ulasan hotel online untuk menemukan pengetahuan yang bermanfaat dalam membangun sektor perhotelan sebagai bagian integral dalam industri pariwisata. Teknik klasifikasi teks digunakan untuk mendapatkan informasi sentimen yang terkandung dalam kalimat ulasan melalui analisis sentimen, serta teknik klasterisasi pada text summarization untuk menemukan kalimat representatif yang mampu menggambarkan keseluruhan isi ulasan. Percobaan dengan ulasan hotel di Labuan Bajo, Lombok, dan Bali menghasilkan luaran yang memuaskan, di mana akurasi model penggolong klasifikasi sebesar 78 dan Davies-Bouldin Index DBI sebesar 0.071 untuk proses klasterisasi. Luaran penelitian ini diharapkan mampu menggambarkan kondisi hotel di daerah wisata unggulan Indonesia sehingga dapat berkontribusi dalam peningkatan kualitas sektor perhotelan sebagai penunjang industri pariwisata di Indonesia.

---

In this modern era, online hotel reviews have a big role considering the hotel is one the aspects in determining the competitiveness in the tourist area, but its implementation is still rare. Regarding the government 39 s plan to increase tourist arrivals to Indonesia, this research utilized text mining towards online hotel reviews to find useful knowledge in building the hospitality sector as an integral part of the tourism industry. Text classification technique was used to obtain sentiment information contained in review sentences through sentiment analysis, as well as clustering technique as a part of text summarization to find representative sentences that are able to describe the entire contents of the review. Experiments with hotel reviews in Labuan Bajo, Lombok and Bali generated surprising outcomes, where the accuracy of classification model reaches 78 and the Davies Bouldin Index DBI of clustering algorithm strikes 0.071. The output of this research is expected to be able to describe the condition of the hotel in tourist area based on the different level of tourism development so that it can contribute to improving the quality of the hotel industry as well as supporting the tourism industry in Indonesia."

"Text Summarization secara ekstraktif merupakan suatu isu yang dapat meningkatkan kualitas pengalaman pengguna ketika menggunakan suatu sistem perolehan informasi. Pada bahasa Inggris, terdapat beberapa penelitian terkait Text Summarization secara ekstraktif salah satunya adalah penelitian Belwal et al. (2021) yang memperkenalkan suatu metode Text Summarization secara ekstraktif yang berbasiskan proses Topic Modeling serta Semantic Measure menggunakan WordNet. Sementara pada bahasa Indonesia, juga terdapat beberapa penelitian terkait Text Summarization secara ekstraktif tetapi belum ada yang menggunakan metode yang sama seperti yang diperkenalkan oleh Belwal et al. (2021). Agar metode yang diperkenalkan Belwal et al. (2021) dapat digunakan pada bahasa Indonesia, proses Semantic Measure menggunakan WordNet harus diganti dengan Similarity Measure menggunakan Vector Space Model karena tidak adanya model WordNet bahasa Indonesia yang dapat digunakan oleh umum. Dalam menggunakan metode yang diperkenalkan oleh Belwal et al. (2021) pada bahasa Indonesia, terdapat beberapa metode yang dapat digunakan untuk melakukan Topic Modeling, Vector Space Model, serta Similarity Measure yang terdapat di dalamnya. Penelitian ini berfokus untuk mencari kombinasi metode ketiga hal yang telah disebutkan sebelumnya yang dapat memaksimalkan performa metode Text Summarization yang diperkenalkan oleh Belwal et al. (2021) pada bahasa Indonesia dengan menggunakan pendekatan hill-climbing. Proses evaluasi dilakukan dengan menggunakan metrik ROUGE-N dalam bentuk F-1 Score pada dua buah dataset yaitu Liputan6 serta IndoSUM. Hasil penelitian menemukan bahwa kombinasi metode yang dapat memaksimalkan performa metode Text Summarization secara ekstraktif yang diperkenalkan oleh Belwal et al. (2021) adalah Non-Negative Matrix Factorization untuk Topic Modeling, Word2Vec untuk Vector Space Model, serta Euclidean Distance untuk Similarity Measure. Kombinasi metode tersebut memiliki nilai ROUGE-1 sebesar 0.291, ROUGE-2 sebesar 0.140, dan ROUGE-3 sebesar 0.079 pada dataset Liputan6. Sementara pada dataset IndoSUM, kombinasi metode tersebut memiliki nilai ROUGE-1 sebesar 0.455, ROUGE-2 sebesar 0.337, dan ROUGE-3 sebesar 0.300. Performa yang dihasilkan oleh kombinasi metode tersebut bersifat cukup kompetitif dengan performa metode lainnya seperti TextRank serta metode berbasiskan model Deep Learning BERT apabila dokumen masukannya bersifat koheren.

---

Extractive text summarization is an issue that can improve the quality of user experience when using an information retrieval system. Research related to extractive text summarization is a language-specific research. In English, there are several studies related to extractive text summarization, one of them is the research of Belwal et al. (2021) They introduced an extractive Text Summarization method based on the Topic Modeling process and Semantic Measure using WordNet. While in Indonesian, there are also several studies related to extractive text summarization, but none have used the same method as introduced by Belwal et al. (2021). In order to use the method introduced by Belwal et al. (2021) in Indonesian, the Semantic Measure process using WordNet must be replaced with Similarity Measure using the Vector Space Model because there is no Indonesian WordNet model that can be used by the public. When using the method introduced by Belwal et al. (2021) in Indonesian, there are several methods that can be used to perform Topic Modeling, Vector Space Model, and Similarity Measure that contained in there. This study focuses on finding a combination of the three methods previously mentioned that can maximize the performance of the Text Summarization method introduced by Belwal et al. (2021) in Indonesian using hill-climbing approach. The evaluation process is carried out using the ROUGE-N metric in the form of F-1 Score on two datasets, namely Liputan6 and IndoSUM. The results of the study found that the combination of methods that can maximize the performance of the extractive text summarization method introduced by Belwal et al. (2021) are Non-Negative Matrix Factorization for Topic Modeling, Word2Vec for Vector Space Model, and Euclidean Distance for Similarity Measure. The combination of those methods has a ROUGE-1 value of 0.291, ROUGE-2 value of 0.140, and ROUGE-3 value of 0.079 in the Liputan6 dataset. Meanwhile, in the IndoSUM dataset, the combination of those methods has a ROUGE-1 value of 0.455, ROUGE-2 value of 0.337, and ROUGE-3 value of 0.300. The performance generated by the combination of those methods is quite competitive with the performance of other methods such as TextRank and Deep Learning BERT model based method if the input document is coherent."

"Transjakarta-Busway merupakan moda transportasi umum dengan jalanan khusus yang sedang dikembangkan oleh Pemerintah Daerah Ibukota Jakarta. Sejak tahun 2012 jumlah pengguna layanan Transjakarta-Busway terus menurun. Media sosial Twitter yang merupakan media sosial bagi masyarakat untuk mencurahkan opini, menjadi obyek peneliti untuk mendapatkan sentimen pengguna terhadap pelayanan Transjakarta-Busway. Penelitian ini menggunakan metode text mining digunakan untuk proses klasifikasi (keamanan, kenyamanan, keselamatan, kesetaraan,keterjangkauan, keteraturan) dengan membandingkan metode Support Vector Machine (SVM) dan Naïve Bayes, serta data stemming maupun non-stemming. Penelitian menunjukan klasifikasi paling akurat didapat dari data non-stemming dengan metode Support Vector Machine (SVM). Hasil Klasifikasi yang didapat dibandingkan signifikasinya terhadap sentimen masyarakat dengan menggunakan Uji Chi-Square dan Prosedur Marascuilo, sehingga didapat pengaruh paling besar didapat dari sector kelompok Keselamatan, diikuti skctor Keteraturan, Kenyamanan, Keamanan Keterjangkauan, dan Kesetaraan. Keadaan fisik Transjakarta-Busway adalah yang paling dikeluhkan karena dirasa tidak layak.

---

Transjakarta-Busway is one of the well-known public transportation with special track in Jakarta. Jakarta?s government has been developing Transjakarta-Busway since 2009. But from 2012, the number of passanger is decreasing. Twitter, the famous social media in Indonesia, that used by community to express their feeling and opinion, has been used in this research to get sentiment from customer about Transjakarta-Busway?s services. This research used text mining as a method to classifying sentiment into 6 different groups (equality, safety, comfort, affordability, order, and security) with a comparison between Support Vector Machine (SVM) method and Naïve Bayes method.

This research shows that the most accurate classification is using Support Vector Machine Method wih non-stemming data. After that, the signification of classification compared using Chi-Square Test and Marascuilo Procedure. The Research shows that the biggest influence to sentiment comes from safety sector, followed by order section, comfort section, security section, affordability section, and the least influence comes from equality section. Physical condition of Transjakarta-Busway is the most complained among all."

"ABSTRAKSkripsi ini bertujuan untuk mengetahui kepuasan pelanggan layanan data operator CDMA di Indonesia dengan menggunakan pesan tweet sebagai data kepuasan pelanggan real time. Data tersebut diolah menggunakan text mining dan sentiment analysis dengan membuat model klasifikasi teks. Tingkat akurasi model yang dibuat untuk memprediksi sentimen dari pesan tweet mencapai 80 %. Hasil penelitian menunjukkan bahwa pelanggan data operator CDMA di Indonesia baik secara umum maupun pada masing-masing operator cenderung tidak puas dengan layanan data yang diberikan. Secara umum kriteria kemudahan koneksi paling mempengaruhi ketidakpuasan pelanggan layanan data operator CDMA di Indonesia. Sedangkan kriteria kemudahan koneksi paling mempengaruhi ketidakpuasan pelanggan layanan data operator CDMA 1. Kemudian kriteria kemudahan koneksi dan kehandalan jaringan paling mempengaruhi ketidakpuasan pelanggan layanan data operator CDMA 2.

---

ABSTRACTThis thesis aims to gain insight of customer satisfaction of Indonesian CDMA data services operators by using tweets as real time customer satisfaction data. The data is processed using text mining and sentiment analysis by creating text classification model. The model accuracy to predict sentiment of a tweet achieve 80%. The results showed that Indonesia CDMA data subcribers in general or to individual operators tend to not satisfied with the service provided. Connection easiness criteria most influencing customer dissatisfaction of Indonesia CDMA data service operators in general. While, the connection easiness criteria most influencing customer dissatisfaction of CDMA data service operator 1. Then, Connection easiness and network reliability criteria most influencing customer dissatisfaction of CDMA data service operator 2."

"Pada era digital saat ini, aplikasi Mobile Jaminan Kesehatan Nasional (JKN) telah menjadi alat penting dalam memudahkan akses dan manajemen layanan kesehatan masyarakat. Namun, untuk meningkatkan kualitas layanan dan kepuasan pengguna, perlu dilakukan analisis ulasan pengguna untuk memahami sentimen dan topik yang terkandung di dalamnya. Penelitian ini bertujuan untuk mengembangkan model analisis sentimen menggunakan metode Bidirectional Encoder Representations from Transformers (BERT) dan pendeteksian topik menggunakan metode Latent Dirichlet Allocation (LDA) pada ulasan pengguna aplikasi Mobile JKN. Penelitian ini menggunakan dataset yang terdiri dari ulasan pengguna aplikasi Mobile JKN yang dikumpulkan dari Play Store. Hasil dari penelitian ini menunjukkan bahwa model BERT yang dikembangkan berhasil mencapai akurasi sebesar 90% dalam melakukan analisis sentimen pada ulasan pengguna aplikasi Mobile JKN. Dari analisis sentimen tersebut, ditemukan bahwa dari 54.000 data yang akan dianalisis terdapat 14.748 data ulasan positif, 3.950 data ulasan netral, dan 35.302 data ulasan negatif yang terdeteksi oleh model BERT yang telah dikembangkan. Selanjutnya, melalui pendekatan LDA, penelitian ini juga berhasil mengidentifikasi 6 topik utama yang muncul dalam ulasan pengguna aplikasi Mobile JKN yang memiliki coherence value sebesar 0,466131. Topik-topik tersebut yaitu, topik pertama mengenai Pelayanan Mobile JKN, topik kedua perubahan data peserta, topik ketiga pembayaran iuran, topik keempat verifikasi nomor handphone, topik kelima update dan login pada aplikasi, dan topik keenam pendaftaran online. Hasil sentimen pada masing-masing topik menunjukkan bahwa topik 1, 2, dan 3 memiliki ulasan dengan sentimen positif lebih banyak daripada sentimen negatif, sedangkan topik 4, 5, dan 6 memiliki ulasan dengan sentimen negatif lebih banyak daripada sentimen positif. Demikian untuk topik mengenai verifikasi nomor handphone, update dan login pada aplikasi, dan pendaftaran online harus dilakukan evaluasi untuk perbaikan aplikasi Mobile JKN kedepannya.

---

In the current digital era, the National Health Insurance (Jaminan Kesehatan Nasional or JKN) mobile application has become an essential tool in facilitating access and management of healthcare services for the public. However, to improve service quality and user satisfaction, it is necessary to analyze user reviews to understand the sentiments and topics contained within them. This research aims to develop a sentiment analysis model using the Bidirectional Encoder Representations from Transformers (BERT) method and topic detection using the Latent Dirichlet Allocation (LDA) method on user reviews of the JKN mobile application. The research utilizes a dataset consisting of user reviews of the JKN application collected from the Play Store. The results of this study show that the developed BERT model successfully achieved an accuracy of 90% in sentiment analysis of user reviews of the JKN mobile application. From the sentiment analysis it is known that of the 54,000 data to be analyzed, there are 14,748 positive reviews, 3,950 neutral reviews, and 35,302 negative reviews detected by the BERT model that has been developed. Furthermore, through the LDA approach, this research also successfully identified 6 main topics that emerged in user reviews of the JKN mobile application with a coherence value of 0.466131. These topics are, the first topic regarding Mobile JKN Services, the second topic is changing participant data, the third topic is payment of contributions, the fourth topic is handphone number verification, the fifth topic is updating and logging in to the application, and the sixth topic is online registration. The sentiment results for each topic show that topics 1, 2, and 3 have reviews with more positive sentiment than negative sentiment, while topics 4, 5, and 6 have reviews with more negative sentiment than positive sentiment. So that for topics regarding handphone number verification, updating and logging into applications, and online registration, an evaluation must be carried out to improve the Mobile JKN application in the future."

"Pemilihan metode machine learning atau deep learning menjadi suatu permasalahan dalam klasifikasi. Hal ini didapatkan dari penelitian yang menunjukkan bahwa deep learning kinerjanya lebih baik daripada machine learning, namun terdapat penelitian bahwa kedua metode tersebut kinerjanya tidak menentu tergantung dataset yang digunakan. Oleh karena itu, penelitian ini membandingkan kinerja dari machine learning dan deep learning untuk permasalahan klasifikasi teks dan analisis sentimen terhadap dampak Covid-19 di Indonesia. Hasil penelitian ini menunjukkan bahwa kinerja pada klasifikasi teks dan analisis sentimen menggunakan metode machine learning lebih baik dibandingkan dengan deep learning. Hasil penelitian mengenai klasifikasi teks menunjukkan bahwa kinerja metode machine learning yaitu Label Powerset dan Random Forest menghasilkan akurasi 77 % sedangkan kinerja metode deep learning yaitu Long Short-Term Memory (LSTM) dan Gate Reccurent Unit (GRU) menghasilkan akurasi 48%. Hasil penelitian mengenai analisis sentimen menunjukkan bahwa kinerja metode machine learning yaitu Label Powerset dan Random Forest menghasilkan akurasi 63 % sedangkan kinerja metode deep learning yaitu Long Short-Term Memory (LSTM) dan Gate Reccurent Unit (GRU) menghasilkan akurasi 55% dan 54%. Keseimbangan jumlah label pada semua label mempengaruhi hasil dari klasifikasi. Oleh karena itu, disarankan untuk menggunakan metode untuk menyeimbangkan jumlah label yang digunakan untuk klasifikasi.

---

The choice of machine learning or deep learning methods becomes a problem in classification. This is obtained from research which shows that deep learning performs better than machine learning, but there is research that the two methods perform erratically depending on the dataset used. Therefore, this study compares the performance of machine learning and deep learning for text classification problems and sentiment analysis on the impact of Covid-19 in Indonesia. The results of this study indicate that the performance of text classification and sentiment analysis using machine learning methods is better than deep learning. The results of research on text classification show that the performance of machine learning methods, namely Label Power and Random Forest, produces an accuracy of 77%, while the performance of deep learning methods, namely Long Short-Term Memory (LSTM) and Gate Recurrent Unit (GRU), produces an accuracy of 48%. The results of the research on sentiment analysis show that the performance of machine learning methods, namely Label Power and Random Forest, produces an accuracy of 63%, while the performance of deep learning methods, namely Long Short-Term Memory (LSTM) and Gate Recurrent Unit (GRU), produces 55% and 54% accuracy. The balance of the number of labels on all labels affects the results of the classification. Therefore, it is advisable to use a method to balance the number of labels used for classification."

"Penelitian ini melakukan pengembangan integrasi metode perangkum abstraktif dengan metode ekstraktif dalam merangkum teks berita yang melebihi input maksimal dari model machine learning. Penggabungan metode abstraktif dan ekstraktif menciptakan rangkuman yang lebih natural tanpa kehilangan makna semantiknya, serta menyelesaikan keterbatasan jumlah input maksimal dari model machine learning yang digunakan pada metode abstraktif. Bagian abstraktif dibuat menggunakan model machine learning yang menggunakan arsitektur Transformer, yaitu model BART. Bagian ekstraktif menggunakan algoritma gabungan untuk melakukan pembobotan tiap kalimat menggunakan term frequency – inverse document frequency (TF-IDF), konjungsi antar kalimat, dan peletakan kalimat pada paragraf yang dapat diidentifikasi menggunakan algoritma pemrograman. Dataset yang digunakan adalah benchmark IndoSum, yaitu dataset bahasa Indonesia untuk merangkum teks, sehingga dapat dievaluasikan dengan model pada penelitian yang serupa. Beberapa pengujian dilakukan pada model BART dan tokenizer, dengan nilai ROUGE Score menunjukan adanya peningkatan pada tokenizer bahasa Indonesia ketimbang bahasa Inggris. Hasil evaluasi pada finetuning model BART mendapatkan nilai ROUGE Score sebesar 0,725 untuk ROUGE-1, 0,635 untuk ROUGE-2, 0,699 untuk ROUGE-L, dan 0,718 untuk ROUGE-Lsum, menjadikan model BART lebih tinggi pada beberapa model lainnya pada riset terkait. Human evaluation dilakukan pada hasil integrasi, menunjukan hasil yang baik untuk morfologi, semantik, dan kenaturalan rangkuman, namun masih buruk untuk kesalahan pengetikan.

---

This research develops the integration of abstractive summarization methods with extractive methods in summarizing news texts that exceed the maximum input from the machine learning model. Combining abstractive and extractive methods creates a more natural summary without losing its semantic meaning, and resolves the limitations of the maximum number of inputs from the machine learning model used in the abstractive method. The abstractive part was created using a machine learning model that uses the Transformer architecture, namely the BART model. The extractive section uses a combined algorithm to weight each sentence using term frequency - inverse document frequency (TF-IDF), conjunctions between sentences, and placement of sentences in paragraphs that can be identified using a programming algorithm. The dataset used is the IndoSum benchmark, namely an Indonesian language dataset for summarizing text, so that it can be evaluated with models in similar research. Several tests were carried out on the BART model and tokenizer, with the ROUGE Score showing an increase in the Indonesian language tokenizer compared to English. The evaluation results of finetuning the BART model obtained a ROUGE Score of 0.725 for ROUGE-1, 0.635 for ROUGE-2, 0.699 for ROUGE-L, and 0.718 for ROUGE-Lsum, making the BART model higher than several other models in related research. Human evaluation was carried out on the integration results, showing good results for morphology, semantics and naturalness of summaries, but still poor results for typing errors."

"The homogeneity of services offered by airlines contributes toward fierce competition among them. Airlines need to make different services, thus providing a competitive advantage for the airline. Online review websites provide a great opportunity for customers to write reviews in evaluating products or services online. Airlines could strategically use online reviews to achieve competitive advantages by extracting insights regarding service attributes contained in the reviews. The aims of the research are to extract service attributes from online reviews, calculate customer sentiment, and to infer positioning of airlines in Indonesia based on service attributes mentioned in reviews. We collected approximately 6000 online reviews from traveler review website (www.tripadvisor.com). Text mining was used for preprocessing, sentiment analysis was used to reveal customer sentiment, and correspondence analysis was used to describe the position of airlines in Indonesia. We found that several keywords as services attributes were consistently evident in online reviews. Some of the service attributes were: flight, time, service, food, and entertainment. We also found that all airlines got more positive sentiments from their customers. From the position map derived from online reviews, we conclude that Garuda Indonesia, Batik, Sriwijaya, Lion, Wings, Air Asia, and Citilink have their own characteristics inherent in the minds of customers.

---

Homogenitas layanan yang ditawarkan oleh maskapai penerbangan berkontribusi terhadap persaingan yang ketat di antara mereka. Maskapai perlu membuat layanan yang berbeda, sehingga memberikan keunggulan kompetitif bagi maskapai. Situs web tinjauan online memberikan peluang besar bagi pelanggan untuk menulis ulasan dalam mengevaluasi produk atau layanan secara online. Maskapai dapat menggunakan ulasan online secara strategis untuk mencapai keunggulan kompetitif dengan mengekstraksi wawasan mengenai atribut layanan yang terkandung dalam ulasan. Tujuan dari penelitian ini adalah untuk mengekstraksi atribut layanan dari ulasan online, menghitung sentimen pelanggan, dan menyimpulkan posisi maskapai di Indonesia berdasarkan atribut layanan yang disebutkan dalam ulasan. Kami mengumpulkan sekitar 6000 ulasan online dari situs web ulasan wisatawan (www.tripadvisor.com). Text-mining digunakan untuk proses preprocessing, analisis sentimen digunakan untuk mengungkapkan sentimen pelanggan, dan analisis korespondensi digunakan untuk menggambarkan posisi maskapai penerbangan di Indonesia. Kami menemukan bahwa beberapa kata kunci sebagai atribut layanan secara konsisten terbukti dalam ulasan online. Beberapa atribut layanan adalah: flight, time, service, food, dan entertainment. Kami juga menemukan bahwa semua maskapai mendapat lebih banyak sentimen positif dari pelanggan mereka. Dari peta posisi yang berasal dari ulasan online, kami menyimpulkan bahwa Garuda Indonesia, Batik, Sriwijaya, Lion, Wings, Air Asia, dan Citilink memiliki karakteristik mereka sendiri yang melekat dalam benak pelanggan."

"PT Traveloka Indonesia adalah salah satu OTA (Agent) terbesar se-Asia Tenggara, yang mengedepankan kepuasan pelanggan sebagai keunggulan kompetitif perusahaan. Namun saat ini, terdapat penurunan tingkat kepuasan pelanggan, dan juga terjadinya penurunan jumlah pengguna aktif aplikasi. Oleh karena itu, perlu dilakukan langkah-langkah seperti melakukan inovasi atau perbaikan fitur agar dapat meningkatkan kepuasan pelanggan dan juga menaikkan kembali jumlah pengguna aktif aplikasi. Pada aplikasi Android Traveloka, jumlah ulasan mencapai 700 ribu dalam kurun waktu 2 tahun terakhir, di mana platform Android merupakan platform yang mempunyai jumlah pengguna aplikasi Traveloka terbesar dibandingkan platform lainnya. Dengan banyaknya jumlah ulasan tersebut, perusahaan masih memilah-milah ulasan negatif dan positif serta mencari topik-topik yang paling sering dibicarakan secara manual, sehingga membutuhkan waktu yang sangat lama dan cenderung tidak akurat. Hal ini menyebabkan keluhan ataupun ulasan tersebut belum secara efektif dijadikan dasar untuk membuat inovasi baru ataupun untuk memperbaiki fitur yang ada, sehingga belum memberikan kontribusi terhadap proses peningkatan kepuasan pelanggan dan peningkatan jumlah pengguna aktif aplikasi. Oleh karena itu, pada penelitian ini diusulkan suatu model yang dapat mengategorikan sentimen serta melakukan pengelompokan topik-topik yang sering muncul dari seluruh ulasan pelanggan. Algoritma Bayes, Support Vector Machine Logistic Regression digunakan untuk membuat model yang dapat mengklasifikasi sentimen dari tiap ulasan ke dalam kelas positif ataupun kelas negatif. Selain itu, dilakukan proses pemodelan topik pada tiap kelas tersebut menggunakan algoritma Latent Dirichlet Allocation (LDA). Hasil penelitian menunjukkan bahwa algoritma terbaik untuk melakukan klasifikasi adalah SVM, dengan nilai f1-score rata-rata 0.98318, dan jumlah topik yang optimal untuk sentimen positif adalah 16 dan jumlah topik yang optimal untuk sentimen negatif adalah 12. Pada kelas sentimen positif, terdapat topik-topik yang menyinggung kelengkapan fitur serta banyaknya diskon dan promo, sedangkan pada kelas sentimen negatif, terdapat topik yang berhubungan dengan fitur refund dan produk paylater. Dengan diimplementasikannya model tersebut, diharapkan PT Traveloka dapat memilah-milah ulasan ke dalam kelas sentimen positif dan negatif dengan cepat dan akurat, serta dapat dengan cepat mengetahui daftar topik-topik yang paling banyak dibicarakan oleh penggunanya.

---

PT Traveloka Indonesia is one of the biggest Online Travel Agents in Southeast Asia, which prioritizes customer satisfaction as the company's competitive advantage. However, there is currently a decrease in customer satisfaction scores and numbers of active users. Therefore, it is necessary to take steps such as innovating or improving features to restore customer satisfaction scores and active users. On the Traveloka Android application, the number of reviews reached 700 thousand in the last two years, where the Android platform is the platform that has the most significant number of Traveloka users compared to other platforms. Nonetheless, Traveloka is still sorting through negative and positive reviews manually and manually searching for the most discussed topics, so it takes a long time and tends to be inaccurate. This lengthy process made customer reviews are yet to be effectively used for formulating innovations or finding existing features to improve, so they are yet to help increase customer satisfaction and the number of active users of the application. Therefore, this research proposes a model to categorize sentiments and group topics that often arise from all customer reviews. The Naïve Bayes, Support Vector Machine (SVM), and Logistic Regression algorithm are used to create a model that can classify the sentiment of each review into a positive class or a negative class. In addition, the topic modeling process for each class is carried out using the Latent Dirichlet Allocation (LDA) algorithm. The results show that the best algorithm for classifying is SVM, with an average f1-score of 0.98318, and the optimal number of topics for positive sentiment is 16, and the optimal number of topics for negative sentiment is 12. There are topics about the completeness of features and the number of discounts and promos in the positive sentiment class, while in the negative sentiment class, there are topics related to the refund feature and pay later product. With the implementation of this model, it is hoped that PT Traveloka can sort reviews into positive and negative sentiment classes quickly and accurately and quickly find out the list of topics that users most discuss."