Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"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."

"PT XYZ merupakan salah satu agency pemasaran digital yang berfokus melakukan proses pemasaran melalui berbagai platform media sosial untuk perusahaan-perusahaan dari berbagai industri. Salah satu layanan yang disediakan oleh PT XYZ adalah layanan data & insight analysis, termasuk untuk melakukan pemantauan percakapan media sosial dari brand beserta kompetitornya dengan menganalisis sentimen dan topik untuk memenuhi permintaan klien. Salah satu brand pada industri smartphone yang menjadi klien dari PT XYZ memiliki produk yang banyak, dimana masing-masing produk dan kompetitornya dilakukan pemantauan secara bersamaan. Dengan banyaknya percakapan yang dihasilkan oleh jumlah produk yang banyak, proses pengerjaan untuk analisis menjadi terbatas dan terlalu menghabiskan banyak waktu karena masih menggunakan proses pelabelan secara manual. Oleh karena itu, sistem otomatis diusulkan untuk PT XYZ dengan melakukan analisis sentimen berbasis aspek yang bertujuan untuk memudahkan dan mempersingkat proses pengerjaan pemantauan. Data yang digunakan adalah data mengenai smartphone pada Twitter yang berjumlah 11.641 tweet dalam periode akhir tahun 2022. Data yang terkumpul memiliki kondisi imbalance class, sehingga metode penanganan imbalance class SMOTE digunakan. Tahap pra-pemrosesan; ekstraksi fitur dengan memanfaatkan leksikon, POS tagging dan TF-IDF; dilakukan sebelum data dimodelkan dengan algoritma pembelajaran mesin. Penelitian ini mendapatkan hasil bahwa Support Vector Machine (SVM) dengan SMOTE memiliki hasil evaluasi yang lebih tinggi dibandingkan dengan Naïve Bayes, baik untuk klasifikasi sentimen dan juga aspek. Hasil evaluasi SVM pada klasifikasi sentimen adalah sebesar 0,92 untuk setiap metrik akurasi, precision, recall, dan f1-score. Sedangkan untuk klasifikasi aspek, SVM mendapatkan hasil evaluasi sebesar 0,79 untuk akurasi, precision, dan recall, serta 0,77 untuk f1-score. Masalah imbalance class pada data memengaruhi hasil akhir klasifikasi, terutama untuk klasifikasi aspek.

---

PT XYZ is a digital marketing agency that specializes in marketing strategies through various social media platforms for businesses across multiple industries. Data and insight analysis is one of the services offered by PT XYZ, which includes monitoring social media conversations from brands and their competitors by analyzing sentiments and topics based on client needs. One of PT XYZ's clients in the smartphone industry has a large number of products, and each product and its competitors are monitored simultaneously. With so many conversations generated by a large number of products, the analysis process is constrained and time-consuming because it still relies on a human tagging approach. Therefore, an automated approach based on aspect-based sentiment analysis is presented for PT XYZ in order to simplify and shorten the monitoring process. The data used is Twitter data regarding smartphones, totaling 11,641 tweets in the near- end period of 2022. Because the gathered data has an imbalance class condition, the SMOTE class imbalance handling method is applied. Before the data is modeled with machine learning techniques, pre-processing and feature extraction are performed using the lexicon, POS tagging, and TF-IDF. This study discovered that the Support Vector Machine (SVM) with SMOTE outperforms Nave Bayes in both sentiment and aspect classification. The accuracy, precision, recall, and f1-score of the SVM evaluation on sentiment classification were all 0.92. In terms of aspect classification, SVM received an evaluation score of 0.79 for accuracy, precision, and recall; and 0.77 for the f1-score. The issue of class imbalance in the data has an impact on the final classification results, especially for aspect classification."

"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."

"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."

"Pengelola Museum Nasional Indonesia secara rutin melakukan survei kepuasan publik menggunakan instrumen survei yang diadaptasi dari Service Quality (SERVQUAL). Namun, pengelola museum nasional menghadapi sejumlah tantangan dalam menilai kepuasan publik melalui metode survei tradisional. Untuk itu, penelitian ini bertujuan untuk mengetahui kepuasan dan keluhan pengunjung menggunakan analisis sentimen berbasis aspek dan pemodelan topik pada ulasan Museum Nasional Indonesia di Google Maps. Enam pendekatan machine learning klasik, yaitu Naïve Bayes, Logistic Regression, Decision Tree, Random Forest, Support Vector Machine, dan Extreme Gradient Boosting (XGBoost), digunakan untuk analisis sentimen dengan ekstraksi fitur BoW dan TF-IDF. Penelitian ini menggunakan sejumlah metode pra-pemrosesan data, termasuk penghapusan stopwords, penggunaan stemming dan emoji processing, serta metode sampling SMOTE dan ROS pada data latih yang mengalami ketidakseimbangan kelas. Lima aspek yang digunakan dalam analisis ini berasal dari lima dimensi SERVQUAL: keberwujudan (tangibility), keandalan (reliability), daya tanggap (responsiveness), jaminan (assurance), dan empati (empathy). Evaluasi kinerja model dilakukan dengan membandingkan skor F1 pada eksperimen yang berbeda untuk menentukan skenario terbaik. Setelahnya dilanjutkan dengan pemodelan topik menggunakan metode Latent Dirichlet Allocation (LDA) yang dievaluasi berdasarkan coherence score. Hasil penelitian menunjukkan bahwa XGBoost dengan TF-IDF dan metode resampling SMOTE adalah model dengan kinerja terbaik di semua skenario dengan rata-rata F1-scores antara 89.5% hingga 90.2%. Pemodelan topik LDA menemukan ulasan positif mencakup kenyamanan, kebersihan, harga tiket terjangkau, akses mudah, staf ramah, dan respons cepat. Ulasan negatif mencakup masalah parkir, pencahayaan, koleksi kurang lengkap, teguran petugas keamanan, informasi koleksi kurang, jumlah petugas kurang, dan penutupan layanan tak diketahui.

---

The management of the National Museum of Indonesia routinely conducts public satisfaction surveys using instruments adapted from Service Quality (SERVQUAL). However, they face several challenges in assessing public satisfaction through traditional survey methods. Therefore, this study aims to understand visitor satisfaction and complaints using aspect-based sentiment analysis and topic modeling on Google Maps reviews of the National Museum of Indonesia. Six classical machine learning approaches, namely Naïve Bayes, Logistic Regression, Decision Tree, Random Forest, Support Vector Machine, and Extreme Gradient Boosting (XGBoost), were used for sentiment analysis with BoW and TF-IDF feature extraction. This study employed various data preprocessing methods, including stopword removal, stemming, emoji processing, and SMOTE and ROS sampling methods on imbalanced training data. The five aspects used in this analysis are derived from the five SERVQUAL dimensions: tangibility, reliability, responsiveness, assurance, and empathy. Model performance evaluation was conducted by comparing F1 scores across different experiments to determine the best scenario. This was followed by topic modeling using Latent Dirichlet Allocation (LDA), evaluated based on coherence scores. The results show that XGBoost with TF-IDF and SMOTE resampling methods is the best-performing model across all scenarios, with average F1-scores ranging from 89.5% to 90.2%. LDA topic modeling found that positive reviews include comfort, cleanliness, affordable ticket prices, easy access, friendly staff, and quick response. Negative reviews include parking issues, lighting, incomplete collections, unkind security staff, insufficient collection information, lack of staff, and unknown service closures."