Hasil Pencarian  ::  Simpan CSV :: Kembali

"Chatbot sebagai asisten virtual yang digunakan oleh suatu instansi dapat memberikan manfaat bagi penggunanya. Dengan adanya chatbot, pengguna dapat berbicara langsung kepada chatbot melalui pesan singkat, yang kemudian sistem secara spontan mengidentifikasi intent pesan tersebut dan merespons dengan tindakan yang relevan. Sayangnya, cakupan pengetahuan chatbot terbatas dalam menangani pesan oleh pengguna yang semakin bervariasi. Dampak utama dari adanya variasi tersebut adalah adanya perubahan pada komposisi label intent. Untuk itu, penelitian ini berfokus pada dua hal. Pertama, pemodelan topik untuk menemukan intent dari pesan pengguna yang belum teridentifikasi intent-nya. Kedua, pemodelan topik digunakan untuk mengorganisasi intent yang sudah ada dengan menganalisis hasil keluaran model topik. Setelah dianalisis, terdapat dua kemungkinan fenomena perubahan komposisi intent yaitu: penggabungan dan pemecahan intent, dikarenakan terdapat noise saat proses anotasi dataset orisinal. Pemodelan topik yang digunakan terdiri dari Latent Dirichlet Allocation (LDA) sebagai model baseline dan dengan model state-of-the-art Top2Vec dan BERTopic. Penelitian dilakukan terhadap dataset salah satu e-commerce di Indonesia dan empat dataset publik. Untuk mengevaluasi model topik digunakan metrik evaluasi coherence, topic diversity dan topic quality. Hasil penelitian menunjukkan model topik BERTopic dan Top2Vec menghasilkan nilai topic quality 0.036 yang lebih baik dibandingkan model topik LDA yaitu -0.014. Terdapat pula pemecahan intent dan penggabungan intent yang ditemukan dengan analisis threshold proporsi.

---

Chatbot, as a virtual assistant used by an institution, can provide benefits for its users. With a chatbot, users can speak directly to the chatbot via a short message, which then the system spontaneously identifies the intent of the message and responds with the relevant action. Unfortunately, the scope of chatbot knowledge is limited in handling messages by an increasingly varied user. The main impact of this variation is a change in the composition of the intent label. For this reason, this research focuses on two things. First, topic modeling to find intents from user messages whose intents have not been identified. Second, topic modeling is used to organize existing intents by analyzing the output of the topic model. After being analyzed, there are two possible phenomena of changing intent composition: merging and splitting intents because there is noise during the annotation process of the original dataset. The topic modeling used consists of Latent Dirichlet Allocation (LDA) as the baseline model and the state-of-the-art Top2Vec and BERTopic models. The research was conducted on one dataset of e-commerce in Indonesia and four public datasets. The evaluation metrics of coherence, topic diversity, and topic quality were used to evaluate the topic model. The results showed that the BERTopic and Top2Vec topic models produced a topic quality value of 0.036, better than the LDA topic model, which was -0.014. There are also intent splitting and intent merging found by proportion threshold analysis."

"Dunia menghadapi ancaman pandemi Covid-19 pada akhir tahun 2019. Tanggapan terhadap situasi pandemi menimbulkan perubahan dalam cara bekerja dan memaksa sebagian besar pekerja non-esensial untuk beradaptasi dengan bekerja dari jarak jauh. Setelah penyebaran virus dan tingkat kematian akibat Covid-19 mulai menurun, organisasi dan perusahaan mulai memberlakukan kembali kebijakan WFO. Namun, kembalinya aktivitas bekerja secara normal tidak disambut baik oleh para pekerja. Sejumlah survei mengungkapkan bahwa banyak pekerja yang enggan kembali bekerja di kantor setelah beradaptasi dengan bekerja dari rumah selama dua tahun pandemi. Penelitian menggunakan experimental research untuk melakukan analisis sentimen dan pemodelan topik terhadap kebijakan WFO. Analisis sentimen dilakukan dengan membandingkan lima algoritma pembelajaran mesin, Naïve Bayes, Support Vector Machine, Decision Tree, Random Forest, dan Neural Networks. Sedangkan pemodelan topik menggunakan algoritma Latent Dirichlet Allocation. Penelitian menggunakan data dari Twitter yang diambil sejak bulan Januari 2022 hingga Mei 2023. Berdasarkan hasil eksperimen, algoritma Neural Networks dengan sampel data oversampling memberikan performa terbaik dalam memprediksi sentimen. Model menghasilkan nilai akurasi sebesar 75,61% dan f1-score 75,16%. Berdasarkan hasil penelitian, sentiment yang paling banyak diungkapkan di Twitter terkait kebijakan WFO adalah netral, disusul negatif, dan terakhir positif. Sedangkan dari hasil pemodelan topik, sentiment positif menghasilkan 3 topik, yaitu “keseruan WFO karena bertemu teman kantor”, “bekerja secara WFO meningkatkan fokus dan produktivitas”, serta “aktivitas jajan dan makan siang saat WFO”. Sentimen negatif 4 menghasilkan topik, di antaranya “kemacetan lalu lintas saat WFO”, “peningkatan biaya transport dan pengeluaran saat WFO”, “efek WFO terhadap kesehatan”, serta “kemalasan di pagi hari saat WFO”. Sedangkan sentimen netral menghasilkan 3 topik, yaitu “lowongan kerja hybrid working atau WFA”, “bekerja secara WFO”, dan “rutinintas WFO”.

---

The world faced the threat of the Covid-19 pandemic at the end of 2019. The response to the pandemic situation led to changes in the way of working and forced most non- essential workers to adapt to remote working. After the spread of the virus and the death rate due to Covid-19 began to decline, organizations and companies began to re-impose WFO policies. However, the return to normal work activities was not welcomed by workers. Several surveys reveal that many workers are reluctant to return to the office after adapting to working from home during the two years of the pandemic. The research uses experimental research to conduct sentiment analysis and topic modeling on WFO policies. Sentiment analysis is carried out by comparing five machine learning algorithms, Naïve Bayes, Support Vector Machine, Decision Tree, Random Forest, and Neural Networks. Meanwhile, topic modeling uses the Latent Dirichlet Allocation algorithm. The research uses data from Twitter taken from January 2022 to May 2023. Based on experimental results, the Neural Networks algorithm with oversampling data samples provides the best performance in predicting the sentiment. The model produces an accuracy value of 75.61% and an f1-score of 75.16%. Based on research results, the most expressed sentiment on Twitter regarding WFO policies is neutral, followed by negative, and then positive. Meanwhile, from the results of topic modeling, positive sentiment resulted in 3 topics, namely "the excitement of WFO because of meeting office friends", "working in WFO increases focus and productivity", and "lunch activities during WFO". Negative sentiment generated 4 topics, including "traffic jams during WFO", "increased transport costs and expenses during WFO", "effects of WFO on health", and "laziness in the morning during WFO". Meanwhile, neutral sentiment resulted in 3 topics, namely "hybrid working or WFA job vacancies", "working activities in the office", and "WFO routines"."

"Chatbot sebagai asisten virtual yang digunakan oleh suatu instansi dapat memberikan manfaat bagi penggunanya. Dengan adanya chatbot, pengguna dapat berbicara langsung kepada chatbot melalui pesan singkat, yang kemudian sistem secara spontan mengidentifikasi intent pesan tersebut dan merespons dengan tindakan yang relevan. Sayangnya, cakupan pengetahuan chatbot terbatas dalam menangani pesan oleh pengguna yang semakin bervariasi. Dampak utama dari adanya variasi tersebut adalah adanya perubahan pada komposisi label intent. Untuk itu, penelitian ini berfokus pada dua hal. Pertama, pemodelan topik untuk menemukan intent dari pesan pengguna yang belum teridentifikasi intent-nya. Kedua, pemodelan topik digunakan untuk mengorganisasi intent yang sudah ada dengan menganalisis hasil keluaran model topik. Setelah dianalisis, terdapat dua kemungkinan fenomena perubahan komposisi intent yaitu: penggabungan dan pemecahan intent, dikarenakan terdapat noise saat proses anotasi dataset orisinal. Pemodelan topik yang digunakan terdiri dari Latent Dirichlet Allocation (LDA) sebagai model baseline dan dengan model state-of-the-art Top2Vec dan BERTopic. Penelitian dilakukan terhadap dataset salah satu e-commerce di Indonesia dan empat dataset publik. Untuk mengevaluasi model topik digunakan metrik evaluasi coherence, topic diversity dan topic quality. Hasil penelitian menunjukkan model topik BERTopic dan Top2Vec menghasilkan nilai topic quality 0.036 yang lebih baik dibandingkan model topik LDA yaitu -0.014. Terdapat pula pemecahan intent dan penggabungan intent yang ditemukan dengan analisis threshold proporsi.

---

Chatbot, as a virtual assistant used by an institution, can provide benefits for its users. With a chatbot, users can speak directly to the chatbot via a short message, which then the system spontaneously identifies the intent of the message and responds with the relevant action. Unfortunately, the scope of chatbot knowledge is limited in handling messages by an increasingly varied user. The main impact of this variation is a change in the composition of the intent label. For this reason, this research focuses on two things. First, topic modeling to find intents from user messages whose intents have not been identified. Second, topic modeling is used to organize existing intents by analyzing the output of the topic model. After being analyzed, there are two possible phenomena of changing intent composition: merging and splitting intents because there is noise during the annotation process of the original dataset. The topic modeling used consists of Latent Dirichlet Allocation (LDA) as the baseline model and the state-of-the-art Top2Vec and BERTopic models. The research was conducted on one dataset of e-commerce in Indonesia and four public datasets. The evaluation metrics of coherence, topic diversity, and topic quality were used to evaluate the topic model. The results showed that the BERTopic and Top2Vec topic models produced a topic quality value of 0.036, better than the LDA topic model, which was -0.014. There are also intent splitting and intent merging found by proportion threshold analysis."

"Melalui teknologi, kegiatan sosial yang dahulu memerlukan kontak fisik kini dapat dilakukan jarak jauh melalui media sosial. Media sosial saat ini banyak digunakan untuk menyebarkan berbagai infromasi, baik mengungkapkan opini, perasaan, ataupun pendapat. Twitter memiliki pengguna akif terbanyak di Indonesia. Twitter merupakan salah satu sarana perusahaan untuk berkomunikasi dengan pelanggan. Salah satu perusahaan yang memanfaatkan twitter untuk berkomunikasi ke nasabahnya BNI. BNI memiliki jasa dan produk yang ditawarkan salah satunya yaitu Agen46. Agen46 merupakan mitra BNI dalam menyediakan layanan perbankan kepada masyarakat dalam rangka keuangan inklusif. Selain mitra BNI dalam penyediaan berbagai macam layanan perbankan, BNI Agen46 juga merupakan partner di dalam berbagai program pemerintah, seperti penyaluran bantuan sosial maupun subsidi untuk Keluarga Penerima Manfaat. Terdapat beberapa tweet yang cenderung mengarah ke ulasan yang negative, namun saat ini belum ada analisis sentimen terkait Agen46 berdasarkan data twitter. Penelitian ini bertujuan untuk membandingkan performa metode klasifikasi yang digunakan untuk sentiment analysis serta mencari topik terkait Agen46. Metode yang digunakan yang digunakan untuk pemodelan klasifikasi yaitu SVM, Naïve Bayes, dan KNN serta metode pemodelan topik yang digunakan yaitu LDA.Hasil dari penelitian menunjukkan bahwa SVM memiliki performa terbaik dengan nilai f1-score 91.25% dan akurasi 91.28%. Sedangkan Topik yang dihasilkan yaitu 2 topik kelas Positive (agen dapat memberikan tambahan penghasilan dan agen46 menjadi agen transformasi yang lebih dekat dengan nasabah), 2 topik kelas neutral (penyaluran bansos dapat dilakukan melalui agen46 dan selain melalui kantor cabang, internet banking, sms banking, transaksi juga bisa dilakukan di agen46), dan 6 topik kelas negative (permohonan buka blokir proses lama, belum ada respon saat gagal login, kendala mesin EDC Agen46, agen tidak dapat dihubungi, dan adanya ketidaknyamanan penyaluran bpnt).

---

Through technology, social activities that once required physical contact can now be done remotely through social media. Social media is currently widely used to disseminate various information, whether expressing opinions, feelings, or opinions. Twitter has the most active users in Indonesia. Twitter is one of the means for companies to communicate with customers. One company that utilizes twitter to communicate to its customers is BNI. BNI has services and products to offer, one of which is Agent46. Agen46 is a BNI partner in providing banking services to the community in the context of inclusive finance. In addition to BNI's partners in providing various banking services, BNI Agen46 is also a partner in various government programs, such as the distribution of social assistance and subsidies for Beneficiary Families. There are several tweets that tend to lean towards negative reviews, but currently, there hasn't been any sentiment analysis conducted regarding Agen46 based on Twitter data. This research aims to compare the performance of classification methods used for sentiment analysis and find topics related to Agent46. The methods used for classification modeling are SVM, Naïve Bayes, and KNN and the topic modeling method used is LDA.The results of the study show that SVM has the best performance with an f1-score value of 91.25% and an accuracy of 91.28%. While the topics generated are 2 Positive class topics (agents can provide additional income and agent46 becomes a transformation agent that is closer to customers), 2 neutral class topics (social assistance distribution can be done through agent46 and in addition to branch offices, internet banking, sms banking, transactions can also be done at agent46), and 6 negative class topics (unblock request is a long process, there is no response when login fails, Agent46 EDC machine constraints, agents cannot be contacted, and there is inconvenience in bpnt distribution)"

"Pesatnya perkembangan teknologi informasi dan komunikasi menuntut adanya inovasi dalam pengembangan aplikasi agar dapat mengikuti perkembangan yang cepat tersebut. Segari adalah salah satu penyedia layanan supermarket online yang populer di Indonesia. Segari merupakan perusahaan yang berlandasan customer centric dan mempunyai nilai Be Obsessed with our Customers, sangat mengedepankan kebutuhan dari pelanggannya. Minimnya sumber daya manusia dan banyaknya ulasan pelanggan yang perlu di analisis menghambat proses penggalian informasi dari ulasan pelanggan tersebut, sehingga diperlukan model pembelajaran mesin yang dapat secara otomatis melakukan analisis sentimen untuk mengklasifikasikan ulasan menjadi sentimen positif atau negatif. Informasi yang diambil dari analisis sentimen dapat digunakan sebagai referensi untuk menjaga kualitas layanan berdasarkan sentimen positif, sedangkan hasil dari sentimen negatif dapat digunakan sebagai bahan evaluasi untuk meningkatkan layanan dan aplikasi Segari. Dalam penelitian ini, peneliti membahas implementasi model analisis sentimen menggunakan ulasan pelanggan dari Google Play Store. Metode pembuatan model dimulai dari pengumpulan data, pelabelan data, pra proses data, ekstraksi fitur, model klasifikasi sentimen, evaluasi model, dan pemodelan topik. Peneliti menggunakan dua algoritma klasifikasi, Naive Bayes Classifier (NB) dan Support Vector Machine (SVM), pada total 10.507 ulasan. Data menunjukkan bahwa 74,37% ulasan mengungkapkan sentimen positif, sedangkan 25,63% mengungkapkan sentimen negatif. Hasil penelitian menunjukkan bahwa algoritma SVM dengan oversampling mencapai kinerja model terbaik, dengan recall sebesar 89,98%. Selain itu, peneliti menggunakan Latent Dirichlet Allocation (LDA) untuk mengidentifikasi topik terkait dengan perspektif pelanggan tentang Segari yang selanjutnya disampaikan kepada tim terkait. Hasil analisis mengungkapkan bahwa terdapat pelanggan yang puas dan kecewa dengan proses pengiriman produk. Pelanggan umumnya sudah puas dengan kualitas dan kesegaran dari produk. Beberapa pelanggan merasa kecewa karena pesanan yang kosong atau tidak lengkap dalam paket. Terdapat pelanggan yang puas dan kecewa terhadap aplikasi antarmuka pengguna, kecepatan, maupun kinerja aplikasi. Terdapat pelanggan yang puas dan kecewa terhadap harga, promo, dan voucher yang tersedia. Beberapa pelanggan merasa kecewa terhadap servis yang diberikan oleh customer service. Secara keseluruhan, penelitian ini memperluas pengetahuan tentang metode analisis sentimen dan memberikan wawasan tentang melakukan penelitian terkait analisis sentimen dan ulasan pelanggan.

---

The rapid development of information and communication technology demands innovation in application development to keep up with such rapid advancement. Segari is one of the popular online supermarket service providers in Indonesia. Segari is a customer-centric company with a core value of being obsessed with its customers, prioritizing their needs. The lack of human resources and the abundance of customer reviews that need to be analyzed hinder the process of extracting information from these reviews. Therefore, a machine learning model is needed to automatically perform sentiment analysis and classify the reviews into positive or negative sentiments. The information extracted from sentiment analysis can be used as a reference to maintain service quality based on positive sentiments, while the results of negative sentiments can be used for evaluation to improve Segari's services and application. In this research, the implementation of a sentiment analysis model using customer reviews from the Google Play Store is discussed. The model development process includes data collection, data labeling, data preprocessing, feature extraction, sentiment classification model, model evaluation, and topic modeling. The researcher utilized two classification algorithms, Naive Bayes Classifier (NB) and Support Vector Machine (SVM), on a total of 10,507 reviews. The data shows that 74.37% of the reviews express positive sentiments, while 25.63% express negative sentiments. The results of the study indicate that the SVM algorithm with oversampling achieved the best model performance, with a recall of 89.98%. Additionally, the researcher used Latent Dirichlet Allocation (LDA) to identify topics related to customer perspectives on Segari, which will be communicated to the relevant team. The analysis revealed that some customers are satisfied while others are disappointed with the product delivery process. Customers generally expressed satisfaction with the quality and freshness of the products. Some customers felt disappointed due to missing or incomplete items in their orders. There were mixed opinions about the user interface, speed, and performance of the application. Customers also expressed satisfaction and dissatisfaction with the available prices, promotions, and vouchers. Some customers felt disappointed with the service provided by the customer service team. Overall, this paper extends knowledge of sentiment analysis methods and provides insights on conducting research related to sentiment analysis and customer reviews.

"

"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."

"Terbatasnya interaksi sosial di tengah pandemi COVID-19 memaksa perubahan pada proses belajar mengajar secara konvensional menjadi pembelajaran jarak jauh. Peran platform pembelajaran daring diharapkan dapat menjadi sumber belajar yang optimal sehingga kesenjangan capaian belajar dapat diminimalkan. Namun, masyarakat mengalami culture shock karena perubahan tersebut, kesadaran peserta didik yang masih rendah untuk mengevaluasi hasil belajar, dan terdapat kendala terkait dengan akses Internet. Oleh sebab itu, pengukuran tingkat kepuasan pengguna perlu dilakukan untuk menilai efektivitas platform pembelajaran daring dalam menyediakan sumber belajar alternatif dengan menggunakan teknik text mining. Penelitian ini menganalisis persepsi pengguna terhadap layanan platform Ruangguru, Zenius, dan Quipper dengan mengolah data ulasan dari Google Play Store. Teknik text mining yang digunakan ialah pemodelan topik dengan metode Latent Dirichlet Allocation untuk mendefinisikan aspek layanan yang dibahas pada data ulasan. Selain itu, dilakukan analisis sentimen ulasan dari setiap aspek layanan menggunakan algoritma SentiStrengthID. Hasil dari kedua teknik text mining tersebut dikuantifikasi menggunakan metode Net Reputation Score untuk mendapatkan skor kepuasan pengguna sehingga dapat menjadi referensi bagi pihak penyedia platform dalam menentukan prioritas peningkatan layanan. Hasil penelitian menunjukan bahwa aspek promosi dan video berlangganan perlu menjadi fokus perbaikan bagi pihak penyedia platform Ruangguru. Kedua aspek tersebut mendapatkan skor kepuasan terendah sebesar -6,19% dan 15,84%. Sementara itu, aspek mengenai latihan soal dan akun pengguna pada platform Zenius perlu untuk menjadi prioritas perbaikan dengan masing-masing skor kepuasan yang diperoleh sebesar 34,91% dan 44,14%. Terakhir, aspek layanan dari platform Quipper mengenai latihan pembahasan dan registrasi pengguna perlu segera diperbaiki karena mendapatkan skor kepuasan yang kritikal sebesar -54,28% dan -16,66%. Berdasarkan hasil tersebut, didapatkan wawasan yang berguna bagi pihak penyedia untuk mempermudah pengambilan keputusan dalam optimasi platform pembelajaran daring.

---

Limited social interaction amid the COVID-19 pandemic has forced a change in the conventional learning process to distance learning. Online learning platforms are expected to provide optimal learning resources so that the gap in learning achievement can be minimized. However, the society experienced culture shock due to the change, student awareness of the possibility to evaluate learning strategies and learning outcomes is still low during online learning activities, and there are issues related to Internet access. Therefore, it is necessary to measure the user satisfaction score to assess the effectiveness of online learning platforms in providing alternative learning resources using text mining techniques. This study analyzes user perceptions of Ruangguru, Zenius, and Quipper by exploring review data from Google Play Store. Text mining techniques used are topic modeling by applying Latent Dirichlet Allocation method to define the service aspects discussed in the review data. Additionally, sentiment analysis was carried out to classify the emotional tendency of each user review from every service aspect using SentiStrengthID algorithm. Results from both techniques are quantified using Net Reputation Score method to obtain user satisfaction scores so that it can be a reference for platform providers in determining service improvement priorities. The results of the study reveal that the promotion and subscription video aspects need to be the improvement focus for the Ruangguru platform provider. Both aspects get the lowest satisfaction scores of -6.19% and 15.84%, respectively. Meanwhile, aspects regarding tryout and user account on the Zenius platform need to be a priority for improvement with satisfaction scores obtained of 34.91% and 44.14%, respectively. The last one, service aspects of the tryout and user registration on the Quipper platform need to be improved immediately by the service provider because these aspects get critical satisfaction scores of -54.28% and -16.66%, respectively. Based on these results, useful insights were obtained for providers to facilitate decision-making in optimizing online learning platforms."

"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."

"Pemerintah Indonesia mengeluarkan kebijakan untuk melakukan pemindahan ibu kota negara (IKN) dari Jakarta ke Kalimantan di tahun 2019. Hal tersebut menuai respons dari masyarakat, ada kelompok yang setuju dan ada yang tidak setuju. Opini dari masyarakat tentang pemindahan ibu kota banyak beredar melalu sosial media khususnya Twitter. Pemindahan ibu kota butuh proses panjang dan direncanakan dimulai di tahun 2024. Sampai saat ini sudah banyak kebijakan turunan dari pemerintah agar proses pemindahan ibu kota negara tetap berlangsung. Begitu juga dengan opini masyarakat di Twitter bermunculan menanggapi kebijakan tersebut. Sudah hampir 4 tahun sejak ditetapkan, sudah cukup banyak juga opini dari masyarakat tentang pemindahan IKN. Maka dari itu penelitian ini bertujuan untuk mengetahui sentimen masyarakat tentang pemindahan ibu kota negara beserta topik-topik yang menjadi perbincangannya. Penelitian ini dilakukan dengan cara mengumpulkan data dari Twitter sejak 2019 sampai 2022 tentang pemindahan ibu kota negara. Data yang dikumpulkan akan melewati serangkaian data preprosesing yang kemudian diklasifikasikan ke dalam sentimen positif, netral, dan negatif. Pemodelan sentimen dilakukan menggunakan lima model klasifikasi untuk mencari keakuratan terbaik, yaitu Naïve Bayes (NB), Support Vector Machine (SVM), Logistic Regression (LR), Decision Tree (DT), dan Random Forest (RF). Masing-masing algoritma dijalankan dua kali dari 2 sampel yang tanpa melewati balancing, dan satunya lagi menggunakan oversampling. Pemodelan topik dilakukan menggunakan Latent Dirichlet Allocation (LDA). Kedua pemodelan ini digunakan untuk memvisualisasikan sentimen dan topik-topiknya ke dalam visualisasi time series. Pemodelan sentimen terbaik yang dihasilkan adalah RF dari sampel oversampling dengan nilai akurasi 82%. Pemodelan tersebut menghasilkan distribusi sentimen dengan sentimen positif mendominasi sebanyak 46.5%, sentimen netral sebanyak 31.6%, dan sentimen negatif sebanyak 21.9%. Hasil visualisasi time series menunjukkan bahwa sentimen positif tidak selalu mendominasi, namun hanya pada tahun 2022. Pemodelan topik menghasilkan 15 topik untuk sentimen positif, 11 topik untuk sentimen netral, dan 8 topik untuk sentimen negatif. Visualisasi topik time series memperlihatkan bahwa beberapa topik mendominasi perbincangan di Twitter, namun hanya pada bulan-bulan tertentu. Visualisasi time series dapat memberikan gambaran yang lebih komprehensif pada penelitian analisis sentimen dan pemodelan topik.

---

Indonesian government issued a policy to move the national capital or ibu kota negara (IKN) from Jakarta to Kalimantan in 2019. This drew pros and cons from the public, there were groups who agreed and there were those who disagreed. Opinions from the public regarding the relocation of the capital city are widely circulated through social media, especially Twitter. Moving the capital city requires a long process and is planned to begin in 2024. Until now, there have been many derivative policies from the government so that the process of moving the national capital continues. Likewise, public opinion has sprung up ont Twitter in response to this policy. It's been almost 4 years since it was established, so there's been quite a lot of opinion from the public about the transfer of the IKN. Therefore this study aims to determine public sentimen about the relocation of the national capital along with the topics of discussion. This research is conducted by collecting data from Twitter from 2019 to 2022 regarding the relocation of the national capital. The data collected will go through a series of pre-processing data which are then classified into positive, neutral and negative sentimens. Sentimen modeling is carried out using five classification models to find the best accuracy, namely Naïve Bayes (NB), Support Vector Machine (SVM), Logistic Regression (LR), Decision Tree (DT), and Random Forest (RF). Each algorithm is run twice from 2 samples without going through balancing, and the other uses oversampling. Topic modeling is done using Latent Dirichlet Allocation (LDA). These two models are used to visualize sentimen and topics into a time series visualization. The best sentimen modeling produced is RF from oversampling samples with an accuracy value of 82%. This modeling produces a sentimen distribution with positive sentimen dominating by 46.5%, neutral sentimen by 31.6%, and negative sentimen by 21.9%. The results of the time series visualization show that positive sentimen does not always dominate, but only in 2022. The topic modeling produces 15 topics for positive sentimen, 11 topics for neutral sentimen, and 8 topics for negative sentimen. The time series topic visualization shows that several topics dominate the conversation on Twitter, but only in certain months. Time series visualization can provide a more comprehensive picture of sentimen analysis research and topic modeling."

"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."