Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Dalam upaya meningkatkan layanan melalui aplikasi Aplikasi Pegadaian Digital, PT Pegadaian terus berupaya untuk melakukan monitoring kepuasan pelanggan dari aplikasi dengan memanfaatkan dashboard Google Play Store. Namun, berdasarkan hasil analisis, terdapat ketidakcocokan antara rating Google Play Store dengan label orientasi sentimen sesungguhnya. Persentasi kesalahan rating yang diambil dari 524 komentar yang telah divalidasi oleh manusia adalah sebesar 34.09%. Artinya, rating pada Google Play Store yang diberikan terhadap 34.09% dari 1.018 review tidak merefleksikan orientasi sentimen yang sesungguhnya. Hal ini menjadi masalah dikarenakan tidak sejalan dengan harapan yang telah disampaikan oleh Kepala Divisi Operasional dan Infrastruktur TI pada sharing and learning yang dilakukan pada tanggal 9 Maret 2021 mengenai peningkatan layanan sentra operasi, di mana seharusnya perusahaan dapat mengetahui kepuasan pelanggan secara akurat. Jika hanya mengandalkan data rating dan ulasan secara mentah dan tanpa analisis maka harapan pelanggan yang sesungguhnya tidak dapat dipenuhi. Sehingga dibutuhkan analisis yang mampu melakukan evaluasi dan menunjukan tingkat kepuasan pelanggan terhadap suatu produk berdasarkan data opini pelanggan secara langsung. Tujuannya adalah untuk mengetahui apakah rating merupakan model klasifikasi orientasi sentimen yang efektif. Selain itu analisis sentimen perlu dilakukan untuk mengetahui sejauh apa model klasifikasi orientasi sentimen yang baik dapat bekerja dan membantu perusahaan untuk mengetahui bagaimana gambaran sentimen positif dan negatif berdasarkan ulasan aplikasi terhadap aplikasi. Pada Penelitian ini, untuk mendapatkan informasi tersebut, dilakukan pendekatan data mining yaitu analisis sentimen dengan metode Maximum Entropy dan Support Vector Machine. Dengan metode ini akan digambarkan ulasan yang termasuk ulasan positif dan negatif. Selanjutnya ulasan dimodelkan dalam bentuk harapan atau persepi dari pengguna yang nantinya dapat digunakan oleh perusahaan sebagai bahan evaluasi pengembangan aplikasi. Hasil permodelan diuji akurasinya dengan menggunakan Confussion Matrix. Dari hasil confusion matrix didapatkan hasil bahwa algoritma Support Vector Machine mendapatkan nilai accuracy, precision, recall dan F-score yaitu accuracy sebesar 87,25%, nilai precision sebesar 97,67%, recall sebesar 77,78%, dan nilai F-Score 86,60%. Dengan penelitian ini, diharapakan membantu PT. Pegadaian dalam menggali harapan pelanggan secara lebih sepesifik dan detail sehingga perusahaan mampu meberikan layanan yang tepat sasaran dan sesuai harapan pelanggan. ......To improve services through the Pegadaian Digital Application, PT Pegadaian continues to make efforts to monitor customer satisfaction from the application by utilizing the Google Play Store dashboard. However, based on the results of the analysis, there is a discrepancy between the Google Play Store rating and the actual sentiment orientation label. The percentage of rating errors taken from 524 comments that have been validated by humans is 34.09%. That is, the rating on the Google Play Store given to 34.09% from 1,018 reviews does not reflect the true sentiment orientation. This is a problem because it is not in line with the expectations that have been conveyed by the Head of Operations and IT Infrastructure Division in the sharing and learning conducted on March 9, 2021 regarding improving operations center services, where the company should be able to accurately determine customer satisfaction. If you only rely on raw rating and review data and without analysis, real customer expectations cannot be met. So we need an analysis that is able to evaluate and show the level of customer satisfaction with a product based on customer opinion data directly. The aim is to find out whether the rating is an effective sentiment orientation classification model. Besides that, sentiment analysis needs to be done to find out how far a good sentiment orientation classification model can work and help companies to find out how positive and negative sentiment is based on application reviews of applications. In this study, to obtain this information, a data mining approach was used, namely sentiment analysis using the Maximum Entropy and Support Vector Machine methods. With this method a review will be described including positive and negative reviews. Furthermore, the review is modeled in the form of expectations or perceptions from users which can later be used by the company as material for evaluating application development. Modeling results are tested for accuracy using the Confussion Matrix. From the results of the confusion matrix, the results show that the Support Vector Machine algorithm gets accuracy, precision, recall and F-score, namely accuracy of 87.25%, precision value of 97.67%, recall of 77.78%, and F-Score value 86.60%. With this research, it is hoped that it will help PT. Pegadaian explores customer expectations more specifically and in detail so that the company is able to provide services that are right on target and in line with customer expectations.

Abstrak :
Selama pandemi COVID-19 yang telah melanda dunia sejak akhir tahun 2019, transaksi dengan metode pembayaran cashless mengalami peningkatan signifikan. LinkAja sebagai salah satu perusahaan dompet digital di Indonesia yang melayani pembayaran cashless, perlu meningkatkan daya saing di tengah ketatnya persaingan bisnis dompet digital. Salah satunya adalah dengan meningkatkan kepuasan konsumen dengan memperhatikan berbagai aspek berdasarkan teori marketing mix 4P. Aspek yang digunakan berdasarkan teori marketing mix terdiri dari beberapa elemen yang umum yang disebut dengan 4P, yaitu produk (product), harga (price), tempat (place), dan promosi (promotion). Penelitian ini berfokus untuk melakukan sentimen analisis berbasis aspek untuk mengetahui aspek mana yang mendapat penilaian positif, negatif, atau netral dari data ulasan yang diberikan konsumen. Hasil penelitian dapat digunakan sebagai referensi bagi LinkAja dalam menentukan aspek mana yang perlu diprioritaskan dalam upaya meningkatkan daya saing perusahaan. Data yang digunakan dalam penelitian ini merupakan data Twitter yang berkaitan dengan mention akun @linkaja dengan periode 1 Januari 2022 hingga 17 Mei 2022. Penelitian ini melakukan klasifikasi aspek menggunakan string matching menggunakan library Thefuzz. Kemudian klasifikasi sentimen dilakukan menggunakan algoritma SVM. Pada kasus dataset imbalance, dilakukan proses undersampling untuk menyeimbangkan kelas dalam dataset. Hasil klasifikasi menunjukkan bahwa aplikasi LinkAja mendapatkan sentimen negatif pada aspek produk dengan 98% dari total ulasan dan aspek tempat dengan 100% dari total ulasan, kemudian sentimen netral pada aspek harga sebesar 89% dari total ulasan, dan aspek promosi mendapatkan sentimen positif sebanyak 98% dari total ulasan. ......During the COVID-19 pandemic that has hit the world since the end of 2019, transactions using the cashless payment method have experienced a significant increase. LinkAja, one of the digital wallet companies in Indonesia that serve cashless payments, needs to increase competitiveness amidst intense competition in the digital wallet business. One is to increase customer satisfaction by paying attention to various aspects based on the 4P marketing mix theory. The aspects used based on the marketing mix theory consist of several general elements called the 4Ps: product, price, place, and promotion. This study focuses on conducting aspect-based sentiment analysis to determine which aspects received positive, negative, or neutral ratings from the consumer review data. The research results can be used as a reference for LinkAja in determining which aspects need to be prioritized to improve the company's competitiveness. The data used in this study is Twitter data related to the @linkaja account mentioned for January 1, 2022, to May 17, 2022. This study performs aspect classification using string matching using the Thefuzz library. Then the sentiment classification is done using the SVM algorithm. In the case of dataset imbalance, an undersampling process is carried out to balance the classes in the dataset. The classification results show that the LinkAja application gets negative sentiment on the product aspect with 98% of the total reviews and the place aspect with 100% of the total reviews, then neutral sentiment on the price aspect with 89% of the total reviews, and the promotion aspect gets 98% positive sentiment of the total reviews.

Abstrak :
Banyaknya ulasan aplikasi Info BMKG yang belum pernah diolah menyulitkan pengembang aplikasi dalam mengembangkan fitur berdasarkan masukan pengguna. Ulasan pengguna aplikasi terdapat informasi penting yang dapat dijadikan rujukan oleh pengembang untuk meningkatkan kualitas layanan aplikasi. Penelitian ini bertujuan untuk membuat model klasifikasi terbaik terhadap ulasan pengguna aplikasi Info BMKG. Dataset yang digunakan berasal dari ulasan pengguna aplikasi Info BMKG di Google Play Store sebanyak 10.286 data. Klasifikasi ulasan dibagi ke dalam dua label, yaitu label relevansi dan label kategori. Label relevansi terdiri atas kelas relevan dan tidak relevan. Untuk label kategori terbagi empat kelas yaitu bug report, user request, weather information performance (layanan cuaca), dan earthquake information performance (layanan gempa bumi). Algoritme klasifikasi yang digunakan adalah Naïve Bayes, Support Vector Machine (SVM), Logistic Regression, dan Random Forest. Penelitian ini menghasilkan dua model untuk klasifikasi relevansi dan klasifikasi kategori. Hasil pemodelan klasifikasi terbaik untuk relevansi diraih oleh SVM dengan nilai akurasi sebesar 92,61%. Sedangkan untuk klasifikasi kategori, hasil pemodelan terbaik diraih oleh Random Forest dengan nilai akurasi sebesar 87,69%. Kedua model terbaik melalui teknik over-sampling pada dataset dan normalisasi koreksi ejaan pada tahap prapemrosesan. Untuk ekstraksi fitur terbaik pada model klasifikasi relevansi menggunakan unigram dengan TF-IDF dan panjang teks. Sementara pada model klasifikasi kategori hanya menggunakan unigram dengan TF-IDF saja. ......A large number of unprocessed Info BMKG app reviews makes it difficult for app developers to develop features based on user input. App user reviews contain important information that can be used as a reference by developers to improve the service quality of the app. This study aims to create the best classification model for user reviews of the Info BMKG app. Dataset used comes from user reviews of the Info BMKG app on the Google Play Store of 10,286 data. Review classification is divided into two labels, namely the relevance label and the category label. The relevance label consists of relevant and irrelevant classes. Category labels are divided into four classes, namely bug reports, user requests, weather information performance (weather services), and earthquake information performance (earthquake services). The classification algorithm used is Naïve Bayes, Support Vector Machine (SVM), Logistic Regression, and Random Forest. This research produces two models for relevance classification and category classification. Best classification modeling results for relevance were achieved by SVM with an accuracy value of 92.61%. For category classification, the best modeling results were achieved by Random Forest with an accuracy value of 87.69%. The two best models are over-sampling techniques on the dataset and normalization of spelling corrections at the pre-processing stage. The best feature extraction in the relevance classification model was carried out with the TF-IDF unigram and text length. Meanwhile, the category classification model only uses the TF-IDF unigram.

Abstrak :
Platform digital, termasuk aplikasi mobile, mempunyai peran penting dalam gig economy, yaitu sebagai media gig worker dalam berinteraksi dengan penyedia layanan tenaga kerja. Aplikasi mobile berbasis gig economy semakin diminati masyarakat. Peningkatan jumlah pengguna mengakibatkan meningkatnya jumlah unduhan dan ulasan yang diberikan. Namun, semakin banyak ulasan menyulitkan pengembang dalam memahami informasi yang terdapat dalam ulasan. Selain itu, satu ulasan dapat memiliki berbagai informasi. Untuk mengatasi masalah tersebut, penelitian ini mengusulkan model yang dapat mengkategorikan konten dan sentimen ulasan menggunakan teknik pembelajaran mesin. Algoritme Support Vector Machine (SVM), Multinomial Naïve Bayes, Complement Naïve Bayes, Binary Relevance, Classifier Chain, dan Label power set digunakan pada penelitian ini. Hasil dari penelitian didapatkan algoritme SVM sebagai algoritme terbaik, baik pada klasifikasi sentimen ulasan maupun kategorisasi ulasan. ......Digital platforms, including mobile applications, have an important role in gig economy, as a gig worker platform in interacting with labor service providers. Gig economy based mobile applications are increasingly in demand by the public. An increase in the number of users results in an increase in the number of downloads and reviews provided. However, the number of reviews makes it difficult for developers to understand the information contained in reviews. In addition, one review can have a variety of information. To overcome this problem, this study proposes a model that can categorize content and sentiment reviews using machine learning techniques. Support Vector Machine (SVM), Multinomial Naïve Bayes, Complement Naïve Bayes, Binary Relevance, Classifier Chain, and Label power sets were used in this study. The results of the study obtained the SVM algorithm as the best algorithm, both in the classification of sentiment reviews and review categorization.

Abstrak :
Ulasan adalah opini seseorang yang ditulis mengenai pengalamannya terhadap suatu produk atau jasa. Ulasan umumnya ditulis pada platform media sosial atau marketplace. Seiring dengan berkembangnya teknologi internet dan produk yang dijual secara daring, ulasan sangat penting peranannya karena dapat memengaruhi keputusan seseorang dalam memutuskan pilihannya terhadap suatu produk/kegiatan/jasa. Penelitian ini berfokus untuk melakukan analisis sentimen berbasis aspek dan pemodelan topik pada destinasi pariwisata Indonesia yaitu Candi Borobudur dan Candi Prambanan. Analisis sentimen berbasis aspek dilakukan menggunakan lima pendekatan classical machine learning yaitu Naïve Bayes (NB), Logistic Regression (LR), Decision Tree (DT), Random Forest, dan Extra Trees (ET) dengan menggunakan fitur unigram+bigram+trigram dan memanfaatkan kombinasi penggunaan data latih dan data uji, penggunaan penghapusan stopwords, penggunaan stemming dan emoji processing, dan penggunaan data latih yang di-over-sampling. Kinerja model dievaluasi dengan membandingkan skor F1 pada masing-masing hasil eksperimen untuk mengetahui skenario terbaik yang dapat digunakan untuk ulasan pada bidang pariwisata. Aspek yang digunakan pada penelitian ini yaitu ada enam aspek sesuai rekomendasi aspek dari World Tourism Organization (WTO) yaitu Daya Tarik, Amenitas, Aksesibilitas, Citra, Harga, dan Sumber Daya Manusia (SDM). Setelah melakukan analisis sentimen berbasis aspek, dilakukan pemodelan topik untuk mengetahui topik apa saja yang umum ditemukan pada setiap aspek pariwisata dan setiap polaritas sentimen ulasan. Metode yang digunakan dalam pemodelan topik adalah Latent Dirichlet Allocation (LDA) yang dievaluasi dengan coherence score. Data yang digunakan adalah ulasan pengguna Google Maps dan Tripadvisor. Hasil eksperimen menunjukkan bahwa model LR adalah model yang dapat memprediksi data dengan baik pada hampir semua skenario pada setiap aspek pada penelitian ini. Model LR mendapatkan skor tertinggi pada aspek Daya Tarik (Skenario 4) dengan skor 84,4%, Amenitas (Skenario 11) 84,2%, Aksesibilitas (Skenario 11) 89,1%, Citra (Skenario 3) 70%, dan SDM (Skenario 12) dengan 92,8%. Sementara itu, model DT dapat memprediksi data dengan baik pada aspek Harga (Skenario 6) dengan skor 91,3%. Dari hasil pemodelan topik, dapat direkomendasikan beberapa hal untuk perkembangan pariwisata di Candi Borobudur dan Candi Prambanan. ......Reviews are opinions written by someone about their experience of a product or service. Reviews can be written on social media platforms or marketplaces. Along with the development of internet technology and products sold online, reviews are very important because they can influence a person's decision in deciding their choice of a product/activity/service. This study focuses on conducting aspect-based sentiment analysis and topic modelling on Indonesia’s tourism destinations, which are Borobudur Temple and Prambanan Temple. Aspect-based sentiment analysis was done using five classical machine learning algorithms which are Naïve Bayes (NB), Logistic Regression (LR), Decision Tree (DT), Random Forest, and Extra Trees (ET) using the unigram+bigram+trigram feature and the application of combination of the use of training and test data, stopwords removal, the use of stemming and emoji processing, and the use of over-sampled training data. The performance of models was evaluated by comparing the F1-scores on each experimental result to find out the best scenario that can be used for reviews on tourism domain. The aspects used in this study are six aspects according to the recommendations of the World Tourism Organization (WTO) which are Attractions, Amenities, Accessibility, Image, Price, and Human Resources (HR). After conducting an aspect-based sentiment analysis, topic modelling was carried out to find out which topics were most widely found in each tourism aspect and each polarity sentiment review. The method used in topic modelling is Latent Dirichlet Allocation (LDA) and evaluated by its coherence score. The data used is Google Maps and Tripadvisor user reviews. The experimental results show that the LR model is a model that can predict the data well in almost all scenarios in every aspect of this study. The LR model achieved the highest score on Attractions (Scenario 4) with a score of 84,4%, Amenity (Scenario 11) 84,2%, Accessibility (Scenario 11) 89,1%, Image (Scenario 3) 70%, and SDM (Scenario 12) 92,8%. Meanwhile, the DT model can predict the data well on the Price aspect (Scenario 6) with a score of 91,3%. From the results of topic modelling, we recommend some approaches for the development of tourism in Borobudur Temple and Prambanan Temple.

Abstrak :
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.