Hasil Pencarian  ::  Simpan CSV :: Kembali

"Mobile JKN merupakan aplikasi yang dibuat oleh Badan Penyelenggara Jaminan Sosial (BPJS) Kesehatan untuk memberikan pelayanan berbasis digital kepada peserta Jaminan Kesehatan Nasional-Kartu Indonesia Sehat (JKN-KIS). Sebagai aplikasi dengan jumlah pengunduh terbanyak dari kategori kedokteran, kepuasan pengguna menjadi hal yang penting untuk diperhatikan. Untuk memperoleh gambaran menyeluruh dan terperinci mengenai kepuasan pengguna, dapat dilakukan pendekatan analisis sentimen level topik. Pendekatan analisis sentimen level topik dilakukan dengan menggabungkan metode analisis sentimen dan pendeteksian topik. Penelitian terdahulu menunjukkan model neural network berbasis Bidirectional Encoder Representations from Transformers (BERT-NN) menggungguli kinerja metode lain untuk analisis sentimen. Selanjutnya, BERT juga menunjukkan dapat meningkatkan performa model clustering Eigenspace based Fuzzy C-Means (EFCM). Namun, penggabungan BERT dan EFCM untuk pendeteksian topik tidak berbasis deep learning. Penelitian ini melakukan pendeteksian topik berbasis fully neural network menggunakan Deep Embedded Clustering (DEC). Hasil dari model BERT-DEC dibandingkan dengan BERT-EFCM menggunakan metrik evaluasi topic coherence (TC-W2V). Hasil penelitian menunjukkan BERT-NN mencapai akurasi sebesar 98% untuk analisis sentimen. Pada pendeteksian topik, BERT-DEC mampu mengungguli metode pembandingnya dengan nilai topic coherence sebesar 0,23428 untuk 4 topik utama. Hasil analisis sentimen level topik ini dapat menjadi bahan referensi untuk perbaikan aplikasi yang diharapkan dapat meningkatkan kepuasan pengguna.

---

Mobile JKN is an application created by the Health Insurance Agency (BPJS Kesehatan) to provide digital-based services to participants of the National Health Insurance (JKN KIS). As an application with the most downloads from the medical category, user satisfaction is an important thing to consider. To obtain a comprehensive and detailed picture of user satisfaction, a topic-level sentiment analysis approach can be used. The topic-level sentiment analysis approach combines sentiment analysis and topic detection methods. Previous research has demonstrated that a Bidirectional Encoder Representations from Transformers (BERT) based neural network model outperforms other sentiment analysis methods. In addition, BERT improved the performance of the Eigenspace-based Fuzzy C-Means (EFCM) clustering model. However, the combination of BERT and EFCM for topic detection is not based on deep learning. This study proposes topic detection based on a fully neural network using Deep Embedded Clustering (DEC). The results of the BERT-DEC model were compared with BERT-EFCM using the topic coherence evaluation metric (TC-W2V). The results of the study show that BERT-NN achieved an accuracy of 98% for sentiment analysis. In topic detection, BERT-DEC outperformed its comparative methods with a topic coherence value of 0.23428 for 4 main topics. The results of this topic-level sentiment analysis can be used as reference material for application improvements that are expected to increase user satisfaction."

"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."

"Perkembangan bank digital di Indonesia semakin pesat. Salah satunya adalah Bank Neo Commerce dengan aplikasi Neobank sebagai platform utama untuk transaksi digital. Hingga tahun 2024, aplikasi ini telah diunduh lebih dari 25 juta kali, tetapi hanya memiliki rating 3,5/5, yang lebih rendah dibandingkan dengan aplikasi bank digital lainnya. Dengan jumlah unduhan yang tinggi tetapi rating yang rendah, analisis sentimen level topik pada ulasan pengguna sangat penting untuk memahami kepuasan dan persepsi pengguna. Analisis sentimen pada umumnya dilakukan menggunakan Long Short-Term Memory (LSTM). Namun, LSTM memiliki tiga limitasi utama, yaitu ketidakmampuan untuk merevisi keputusan penyimpanan, kapasitas penyimpanan terbatas, dan kurangnya paralelisasi karena memory mixing. Untuk mengatasi hal tersebut, xLSTM diusulkan dengan memperkenalkan dua modifikasi utama pada LSTM, yaitu exponential gating dan struktur memori baru. Penelitian ini menerapkan analisis sentimen menggunakan arsitektur Extended Long Short-Term Memory (xLSTM) dan pendeteksian topik menggunakan BERTopic. Analisis dilakukan pada data ulasan aplikasi Neobank serta tiga dataset e-commerce, yaitu Shopee, Tokopedia, dan Lazada. Empat konfigurasi xLSTM (1:0, 0:1, 1:1, dan 7:1) dibandingkan dengan model LSTM dan Attention menggunakan metrik evaluasi accuracy, precision, recall, dan F1 score. Hasil menunjukkan bahwa xLSTM secara konsisten mengungguli model pembanding, dengan konfigurasi xLSTM[7:1] memberikan kinerja terbaik dengan rata-rata evaluasi accuracy 83,34% ± 0,80%, precision 83,56% ± 0,85%, recall 82,54% ± 1,00%, dan F1 score 82,61% ± 0,86%.. Analisis sentimen terhadap 100.000 ulasan Neobank menunjukkan bahwa 55,5% ulasan bersentimen positif. Proses pendeteksian topik menggunakan BERTopic dilakukan melalui embedding SBERT, reduksi dimensi UMAP, clustering HDBSCAN, representasi topik dengan c-TF-IDF, dan interpretasi label topik menggunakan model LLM Gemma 2. Hasil akhir menghasilkan CV coherence score sebesar 0,646 dan 15 topik utama, dengan tujuh topik didominasi sentimen positif dan enam topik negatif, terutama terkait login, verifikasi wajah, dan program referral.

---

The development of digital banking in Indonesia has grown rapidly. One prominent example is Bank Neo Commerce, which provides Neobank as its main platform for digital transactions. By 2024, the application has been downloaded more than 25 million times, yet it holds a relatively low rating of 3.5/5, lower than other digital banking applications. With high download numbers but a low rating, topic-level sentiment analysis on user reviews becomes crucial to understand user satisfaction and perception Sentiment analysis is commonly performed using LSTM. However, LSTM has three main limitations: the inability to revise storage decisions, limited memory capacity, and lack of parallelism due to memory mixing. To overcome these issues, xLSTM has been proposed by introducing two major modifications to LSTM, namely exponential gating and a new memory structure. This study applies sentiment analysis using the Extended Long Short-Term Memory (xLSTM) architecture and topic modeling using BERTopic. The analysis was conducted on reviews from the Neobank application and three e-commerce platforms: Shopee, Tokopedia, and Lazada. Four xLSTM configurations (1:0, 0:1, 1:1, and 7:1) were compared against LSTM and Attention-based models using accuracy, precision, recall, and F1 score as evaluation metrics. The results show that xLSTM consistently outperformed the baseline models, with the xLSTM[7:1] configuration achieving the best performance, averaging 83,34% ± 0,80% accuracy, 83,56% ± 0,85% precision, 82,54% ± 1,00% recall, and 82,61% ± 0,86% F1 score across all datasets. Sentiment analysis on 100,000 Neobank user reviews revealed that 55.5% were classified as positive sentiment. Topic modeling using BERTopic was carried out through SBERT embedding, dimensionality reduction with UMAP, clustering using HDBSCAN, topic representation with c-TF-IDF, and topic label interpretation using the LLM model Gemma 2. The final result yielded a CV coherence score of 0.646 and 15 main topics, with eight topics dominated by positive sentiment and six by negative sentiment, mainly related to login issues, facial verification, and referral programs."

"Perbankan di Indonesia telah meluncurkan aplikasi perbankan seluler dengan tujuan untuk memberikan pengalaman layanan yang baik bagi nasabah. Bank harus meningkatkan efektivitas aplikasi perbankan seluler mereka untuk memberikan peningkatan nilai aplikasi tersebut. Dalam upaya menemukan ruang perbaikan bagi perbankan, penelitian ini dilakukan untuk mengetahui topik yang umum dibicarakan serta mengetahui sentimen ulasan pengguna layanan perbankan seluler di Indonesia pada ulasan Google Play yang dimiliki oleh BNI, BCA, dan Mandiri. Penelitian ini menambah penerapan text mining dan membantu pengembang platform digital perbankan ulasan dengan efisien, dan mendukung pengambilan keputusan dan strategi bisnis unggul. Tiga algoritma klasifikasi sentimen, yaitu logistic regression, naïve bayes, dan support vector machine digunakan dalam penelitian ini. Algoritma dijalankan pada pemodelan train data, k-fold cross validation data train, k-fold cross validation semua data, dan prediksi data test. Pemodelan topik adalah LDA (Latent Dirichlet Allocation) untuk kategori sentimen. Algoritma logisitc regression memiliki akurasi tertinggi yaitu 97,00 %. Model digunakan pada data baru, diketahui ulasan didominasi dengan sentimen negatif yaitu sebesar 62,22% atau sebanyak 7.374 sedangkan ulasan sentimen positif sebesar 37,78% atau sebanyak 4.477 ulasan. Pemodelan topik ulasan aplikasi perbankan seluler sentimen positif memiliki nilai koheren tertinggi 0,649 dengan jumlah 19 topik membahas kemudahan dan kelancaran transaksi, kelengkapan fitur, keamanan, akses dan login, kecepatan dan efisiensi, dan kemudahan penggunaan. Pemodelan topik ulasan aplikasi perbankan seluler sentimen negatif memiliki nilai koheren tertinggi 0,440 dengan jumlah 18 topik membahsas push notifikasi uang masuk, top-up dan transfer gagal, kesulitan login aplikasi perbankan seluler, update mengganggu, gagal transaksi, saldo terpotong saat gagal transaksi, error sistem, kendala BI-Fast dan kartu, dan masalah verifikasi. Kata kunci: pemodelan topik, analisis sentimen, text mining, aplikasi perbankan seluler, ulasan aplikasi.

---

Banks in Indonesia have launched mobile banking to provide good experience for customers. However, digital mobile banking services in Indonesia are considered unideal. Banks shall increase the effectiveness of their mobile banking applications to gain value added. Finding room for improvement can be done by analyzing mobile banking user feedback in the Google Play review column. This research aims to determine the topics that are commonly discussed and expected as well as to find out the sentiment of reviews of mobile banking owned by BNI, BCA, and Mandiri. This research enhances the application of text mining and helps digital banking platform developers analyze reviews efficiently, supporting decision-making and superior business strategies. Three sentiment classification algorithms, namely logistic regression, naïve Bayes, and support vector machine were used in this research. Each algorithm is run for modeling train data, k-fold cross validation of train data, k-fold cross validation of all data, and prediction of test data. Topic modeling is LDA (Latent Dirichlet Allocation) for each sentiment category. The logical regression algorithm is the highest accuracy, 97.00%. Apply model for new data, 62.22% or 7,374 reviews are dominated by negative sentiment, while positive sentiment reviews are 37.78% or 4,477 reviews. Topic modeling of mobile banking review with positive sentiment has the highest coherent value of 0.649 with 19 topics discusses ease and smoothness of transactions, completeness of features, security, access and login, speed and efficiency, and ease of use. Meanwhile, topic modeling with negative sentiment has the highest coherent value of 0.440 with a total of 18 topics discusses push notifications for incoming money, failed top-ups and transfers, difficulties login to mobile banking, annoying updates, failed transactions, balances deducted when transactions fail, system errors, BI-Fast and card problems, and verification problems."

"IndiHome melalui IndiHome TV mempertahankan posisinya sebagai penyedia saluran televisi terlengkap di Indonesia. Layanan ini juga diperluas ke aplikasi mobile dan situs web. Namun perkembangan pada platform web diketahui sudah lebih cepat dibandingkan platform mobile, padahal terdapat kebutuhan pelanggan untuk peningkatan kenyamanan, kemudahan, dan kelengkapan fitur pada aplikasi mobile. Hasil observasi dan wawancara juga menunjukkan aplikasi mobile IndiHome TV tidak mencapai target rating yang diharapkan yang menjadi indikasi pengguna belum puas dengan aplikasi saat ini. Salah satu akar permasalahan yang diidentifikasi adalah perbaikan aplikasi hanya berasal dari laporan. Sementara laporan tersebut belum sepenuhnya menggambarkan kebutuhan pengguna. Pemanfaatan ulasan pengguna perlu dimaksimalkan sebagai masukan dalam perbaikan aplikasi agar lebih tepat sasaran. Ulasan berpotensi dapat digunakan untuk mengetahui kebutuhan pengguna. Penelitian ini bertujuan melakukan analisis sentimen dan pemodelan topik terhadap ulasan pengguna di Google Play Store dan Apple App Store. Analisis sentimen dilakukan menggunakan Naïve Bayes dan Support Vector Machines untuk mengklasifikasikan ulasan ke dalam positif, netral, dan negatif. Sementara pemodelan topik dilakukan menggunakan Latent Dirichlet Allocation terhadap ulasan sentimen positif dan negatif. Hasil eksperimen menunjukkan model Support Vector Machines secara umum mengungguli model Naïve Bayes. Model terbaik yang diperoleh menghasilkan performa accuracy 80,53%, precision 80,47%, recall 73,28%, dan F1-score 75,89%. Model tersebut mampu mengatasi ketidakseimbangan data dan menunjukkan kemampuan generalisasi yang baik. Hasil klasifikasi sentimen pada keseluruhan data menunjukkan dominasi kelas negatif dan kelas positif dengan 42,30% dan 40,91% dari total ulasan. Sementara pemodelan topik menghasilkan 4 topik pada ulasan positif dan 8 topik pada ulasan negatif. Hasil tersebut dapat digunakan sebagai acuan perbaikan aplikasi agar perusahaan dapat membuat aplikasi yang sesuai dengan harapan pengguna.

---

IndiHome, through IndiHome TV, maintains its position as Indonesia's most complete television channel provider. This service is also extended to mobile applications and websites. However, developments on web platforms are known to be faster than mobile platforms, even though there is a customer need for increased comfort, convenience, and completeness of features in mobile applications. The observations and interviews also show that the IndiHome TV mobile application did not reach the expected rating target, which is an indication that users are not satisfied with the current application. One of the root causes identified was that application improvements only came from reports. Meanwhile, the report does not fully describe user needs. User reviews need to be maximized as input in improving applications to make them more targeted. Reviews can be used to determine user needs. This research aims to conduct sentiment analysis and topic modeling on user reviews on the Google Play Store and Apple App Store. Sentiment analysis used Naïve Bayes and Support Vector Machines to classify reviews into positive, neutral, and negative. Meanwhile, topic modeling was carried out using Latent Dirichlet Allocation for positive and negative sentiment reviews. Experimental results show that the Support Vector Machines model generally outperforms the Naïve Bayes model. The best model obtained produced an accuracy performance of 80,53%, precision of 80,47%, recall of 73,28%, and F1-score of 75,89%. The model can overcome data imbalance and shows good generalization ability. The sentiment classification results on the entire data show the dominance of the negative and positive classes, with 42,30% and 40,91% of the total reviews. Meanwhile, topic modeling produced four topics with positive reviews and eight topics with negative reviews. These results can be used as a reference for application improvements so that companies can create applications that meet user expectations."

"Peningkatan aktivitas pembayaran dan transaksi online mendorong transformasi produk dan layanan perbankan. Di era big data, ulasan menjadi penting bagi bank untuk mengetahui tingkat kepuasan nasabah sebagai masukan untuk perbaikan. Saat bank merilis aplikasi mobile banking di Google Play Store, pelanggan dapat memberikan ulasan tentang pengalaman mereka menggunakan aplikasi tertentu. Tujuan dari penelitian ini adalah untuk memahami sentimen pengguna aplikasi mobile banking melalui analisis sentimen. Metode Natural Language Processing (NLP) digunakan untuk mengekstrak data teks, meliputi: pra-proses, analisis sentimen setiap ulasan dan analisis lima dimensi kualitas layanan berbasis mobile. Beberapa masalah dan dimensi kualitas layanan harus ditingkatkan untuk memenuhi kebutuhan pelanggan. Dengan adanya kemungkinan pengguna untuk terus menggunakan mobile banking, bank dapat memprediksi perilaku pelanggan di masa mendatang.

---

Increased online payment and transaction activities drive the transformation of banking products and services. In the big data era, reviews are important for banks to discover customer’s satisfaction levels as input for improvement. As banks release mobile banking applications in Google Play Store, customers can leave reviews regarding their experience using certain applications. The purpose of this study is to understand customer sentiment of mobile banking applications through sentiment analysis. Natural Language Processing (NLP) method is used to extract the text data, including: pre-processing, analysing the sentiment of each review and analysing the sentiment of five dimensions of e-service quality. Some issues and dimensions of service quality should be improved to satisfy customers’ needs. Discovering the probability of continuing to use mobile banking, a bank may predict the future behaviour of the customers."

"Perkembangan teknologi informasi dan komunikasi (TIK) yang pesat menuntut inovasi dalam pengembangan aplikasi juga berkembang cepat. Aplikasi Tokopedia Seller merupakan salah satu aplikasi utama milik PT Tokopedia yang diperuntukkan bagi penjual dalam melakukan kegiatan operasional penjualan produk. Aplikasi yang baru diluncurkan di Android ini tergolong aplikasi perintis dan memerlukan banyak masukan dari pengguna, salah satunya dari Google Play Store. Akan tetapi, banyaknya ulasan yang masuk dan beragamnya opini, mengakibatkan proses analisis sentimen dan aspek ulasan menjadi lambat dan banyak terlewat. Oleh karena itu, perlu dilakukan suatu penelitian yang mengusulkan sistem otomatis untuk melakukan analisis sentimen berbasis aspek. Tujuan dari usulan sistem otomatis ini adalah untuk memudahkan proses analisis ulasan pengguna. Adapun data ulasan yang digunakan sebagai masukan eksperimen bersumber dari Google Play Store sejumlah 6.221 data berlabel dari Juli – September 2021. Penelitian ini menunjukkan bahwa algoritma Support Vector Machine (SVM) yang dipadukan dengan SMOTE menghasilkan performa yang paling baik dibandingkan dengan CNN dan Logistic Regression dengan accuracy 54%, precision 48%, dan recall 52% untuk mengklasifikan sentimen. Selaras dengan analisis sentimen, SVM dengan SMOTE juga menghasilkan performa yang lebih baik dengan accuracy 40%, precision 41%, dan recall 40%. Kondisi data ulasan yang cenderung singkat yakni kurang dari 10 kata, mengakibatkan performa klasifikasi kurang optimal.

---

The rapid development of information and communication technology (ICT) requires innovation in the field of application development. The Tokopedia Seller application is one of the main applications owned by PT Tokopedia which develops for sellers in carrying out product sales operational activities. It was just launched on Android, and it is classified as a pioneering application and requires a lot of input from users, one of which is from the Google Play Store. However, due to a lot of reviews came in, it makes the process of sentiment analysis and aspect review being slow and many being missed. Therefore, it is necessary to conduct a study that proposes a automatic system to perform aspect-based sentiment analysis. The purpose of this automated system proposal is to simplify the process of analyzing user reviews. The review of the data used as experimental input sourced from the Google Play Store with a total of 6,221 data labeled from July – September 2021. This study shows that the Support Vector Machine (SVM) algorithm combined with SMOTE produces the best performance compared to CNN and Logistic Regression with 54% accuracy, 48% precision, and 52% recall for classifying sentiments. In line with sentiment analysis, SVM with SMOTE also produces better performance with 40% accuracy, 41% precision, and 40% recall. The condition of the short review data is less than 10 words, resulting in a less than optimal classification performance."

"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."

"Pesatnya perkembangan teknologi saat ini menjadi salah satu faktor berkembangnya media sosial. Pengguna media sosial khususnya di Indonesia sudah tidak diragukan lagi jumlahnya. Dari tingginya tingkat penggunaan media sosial, penelitian terkait data pada media sosial kerap dilakukan. Penelitian yang populer dilakukan adalah analisis sentimen. Analisis sentimen adalah kegiatan untuk mengklasifikasikan sentimen data tekstual ke dalam kelas positif atau negatif. Metode yang kerap digunakan adalah metode berbasis machine learning yaitu Convolutional Neural Network (CNN) dan Long-short Term Memory (LSTM). Metode CNN sudah terbukti baik digunakan untuk data tekstual. Adapun model gabungan yaitu LSTM-CNN yang sudah terbukti memberikan hasil lebih baik dibanding model CNN. Selanjutnya akan dilakukan analisis sentimen menggunakan model LSTM-CNN. Namun, metode berbasis machine learning hanya efektif digunakan pada satu domain saja. Berdasarkan hal tersebut, dikembangkanlah lifelong learning. Lifelong learning adalah metode dalam machine learning yang menerapkan pembelajaran berkelanjutan terhadap lebih dari satu domain. Lifelong learning pada machine learning meniru bagaimana manusia mempelajari sesuatu berdasarkan apa yang sudah dipelajari selanjutnya. Pada skripsi ini, akan dilakukan penelitian model LSTM-CNN untuk permasalahan lifelong learning analisis sentimen terhadap lima data berbahasa Indonesia. Lima data set tersebut akan digunakan sebagai data pembelajaran secara berkelanjutan terhadap suatu model LSTM-CNN. Evaluasi model akan dilakukan pada setiap proses pembelajaran yang dilakukan. Hasil yang diperoleh adalah perkembangan akurasi pada setiap proses pembelajaran terhadap suatu data set.

---

The rapid development of technology is currently one of the factors in the development of social media. There are no doubt about the number of social media users, especially in Indonesia. From the high level of use of social media, research related to data on social media is often done. Popular research is sentiment analysis. Sentiment analysis is an activity to classify textual data sentiments into positive or negative classes. The method often used is machine learning-based methods, namely Convolutional Neural Network (CNN) and Long-short Term Memory (LSTM). The CNN method has been proven good for textual data. The combined model is LSTM-CNN which has been proven to provide better results than the CNN model. Then sentiment analysis will be performed using the LSTM-CNN model. However, machine learning based methods are only effective in one domain. Based on this, lifelong learning was developed. Lifelong learning is a method in machine learning that applies continuous learning to more than one domain. Lifelong learning in machine learning mimics how humans learn something based on what has been learned next. In this thesis, LSTM-CNN model research will be conducted for the problem of lifelong learning sentiment analysis of five Indonesian-language data. The five data sets will be used as continuous learning data on an LSTM-CNN model. Evaluation of the model will be carried out in each learning process that is carried out. The results obtained are the development of accuracy in each learning process of a data set."

"Persaingan pasar yang ketat membuat pengelola aplikasi XYZ harus dapat menghadirkan keunggulan dari produknya. Untuk itu, pengelola XYZ melakukan analisis terhadap ulasan yang diberikan oleh penggunanya. Namun, pengelola aplikasi XYZ mengalami kesulitan dalam melakukan analisis ulasan karena menggunakan cara yang manual dan tidak efisien. Penelitian ini dilakukan untuk mengetahui sentimen dari aspek-aspek mobile service quality (M-S-QUAL) dan topik-topik yang sering dibicarakan oleh pengguna aplikasi XYZ pada review Google Playstore. Data ulasan yang digunakan merupakan ulasan dari bulan Januari 2023 hingga Agustus 2024, data ini berjumlah 13,364 data. Terdapat 5,000 data yang dianotasi. Data tersebut kemudian dibersihkan dan digunakan untuk melakukan analisis sentimen berbasis aspek (ABSA) dan pemodelan topik. Hasil penelitian menunjukkan dari sembilan aspek M-S-QUAL, terdapat tiga aspek yang dieliminasi karena kekurangan data, dan terdapat empat aspek yang dieliminasi karena model machine learning yang dilatih memiliki performa yang kurang baik dengan F1-score dibawah 0.7. Model yang layak digunakan untuk scoring hanya ada pada aspek billing dan system availability yaitu model XGBoost dengan teknik oversampling synthetic minority over-sampling technique (SMOTE) untuk kedua aspek. Performa dari model-model ini adalah 0.758 pada aspek billing, dan 0.802 pada aspek system availability. Dari 4,006 ulasan relevan pada aspek billing, 6.44% adalah sentimen positif, 90.81% adalah sentimen negatif, dan 2.75% adalah sentimen netral. Dari 2,410 ulasan relevan pada aspek system availability, 7.88% memiliki sentimen positif, 86.76% memiliki sentimen negatif, dan 5.35% memiliki sentimen netral. Hasil ini menunjukkan bahwa sentimen dominan pada ulasan yang relevan dengan aspek billing dan system availability adalah sentimen negatif. Pemodelan topik dilakukan untuk masing-masing sentimen positif dan negatif pada aspek billing dan system availability. Pemodelan topik aspek billing menghasilkan 3 topik untuk sentimen positif, 3 topik untuk sentimen negatif. Pemodelan topik aspek system availability menghasilkan 2 topik untuk sentimen positif, dan 2 topik untuk sentimen negatif. Topik-topik ini yang dapat dijadikan poin perbaikan dan peningkatan aplikasi XYZ.

---

The intense competition in the market forces the XYZ management to offer competitive advantages in their product. To achieve this, they analyze user reviews. However, they face challenges in analyzing user reviews because they still use manual methods, which makes the process inefficient. This study aims to understand the sentiment of aspects of mobile service quality (M-S-QUAL) and the popular topics from XYZ app users in Google Play Store reviews. The data used in this study was 13,364 reviews from January 2023 to August 2024, with 5,000 of them manually labeled. The data was cleaned and used for aspect-based sentiment analysis (ABSA) and topic modeling. The results showed that, out of nine M-S-QUAL aspects, three were excluded due to insufficient data, and four more were excluded because the machine learning models performed poorly, with F1-scores below 0.7. Only the billing and system availability aspects had decent models. The models for these aspects used the XGBoost algorithm combined with synthetic minority over-sampling technique (SMOTE). The models’ performance scores were 0.758 for billing and 0.802 for system availability. For the billing aspect, out of 4,006 relevant reviews, 6.44% had positive sentiment, 90.81% were negative, and 2.75% were neutral. For system availability, out of 2,410 relevant reviews, 7.88% were positive, 86.76% were negative, and 5.35% were neutral. This shows that most users had negative sentiment about billing and system availability. Topic modeling was conducted separately for positive and negative sentiments in both the billing and system availability aspects. For the billing aspect, topic modeling resulted in three topics for positive sentiment and three topics for negative sentiment. For the system availability aspect, two topics were identified for both positive and negative sentiments. These topics can serve as key areas for improving and enhancing the XYZ application."