Analisis Sentimen dan Pemodelan Topik terhadap Aplikasi Pembelajaran Online pada Platform Google Play

Andhika Ihsan Kamil
Oktariani Nurul Pratiwi
Deden Witarsyah


DOI: https://doi.org/10.29100/jipi.v10i2.6023

Abstract


Kita hidup di era teknologi di mana setiap aspek kehidupan terhubung dengan teknologi. Maraknya aplikasi belajar daring di Indonesia, seperti Ruangguru, menandai perkembangan di bidang pendidikan. Aplikasi Ruangguru fokus pada jasa pendidikan dan telah melayani lebih dari 22 juta pengguna. Untuk mempertahankan kepuasan pelanggan, diperlukan analisis sentimen dan pemodelan topik terhadap ulasan pengguna. Penelitian ini menggunakan 31.070 dataset ulasan pengguna di Google Play, dilanjutkan dengan pelabelan dan preprocessing sebelum data akan digunakan. Analisis sentimen memakai algoritma Support Vector Machine menunjukkan hasil yang baik dengan akurasi 88,89%, presisi 87,11%, recall 91,22%, dan F1-score 89,11%. Teknik k-10 fold cross validation menghasilkan akurasi rata-rata 89,06%. Kemudian model digunakan pada 10.000 ulasan baru, dengan hasil mayoritas ulasan memiliki sentimen positif. Pemodelan topik dengan Latent Dirichlet Allocation mengidentifikasi 5 topik utama pada sentimen positif dengan nilai koherensi 0,4779, berfokus pada pengalaman positif dan kegunaan aplikasi dalam membantu belajar. Pada sentimen negatif, ditemukan 4 topik utama dengan nilai koherensi 0,4899, yang banyak mengungkapkan keluhan tentang materi pembelajaran yang kurang lengkap.

Keywords


Support Vector Machine

Full Text:

PDF

Article Metrics :

References


S. B. Gupta dan M. Gupta, “Technology and e-learning in higher education,” International Journal of Advanced Science and Technology, vol. 29, no. 4, 2020.

Ruangguru, “Tentang Ruangguru.” Diakses: 11 Oktober 2023. [Daring]. Tersedia pada: https://www.ruangguru.com/about-us

B. W. Arianto dan G. Anuraga, “Pemodelan Topik Pengguna Twitter Mengenai Aplikasi ‘Ruangguru’ Application,” Jurnal ILMU DASAR, vol. 21, no. 2, 2020.

U. M. Lida dan I. Eliya, “Peran Startup Digital ‘Ruangguru’ Sebagai Metode Long Distance Learning dalam Pembelajaran Bahasa,” Jurnal Edulingua, vol. 6, no. 2, 2019.

N. H. Tien dkk., “Factors impacting customer satisfaction at Vietcombank in Vietnam,” Himalayan Journal Economics and Business Management, vol. 2, no. 4, 2021.

K. Khadka dan S. Maharjan, “Customer satisfaction and customer loyalty, Master’s Thesis,” Centria University of Applied Sciences, Business Management, Lahti, Finland, no. November, 2017.

A. Novantirani, M. K. Sabariah, dan V. Effendy, “Analisis Sentimen pada Twitter untuk Mengenai Penggunaan Transportasi Umum Darat Dalam Kota dengan Metode Support Vector Machine,” e-Proceeding of Engineering, vol. 2, no. 1, 2015.

B. Brahimi, M. Touahria, dan A. Tari, “Improving sentiment analysis in Arabic: A combined approach,” Journal of King Saud University - Computer and Information Sciences, vol. 33, no. 10, 2021, doi: 10.1016/j.jksuci.2019.07.011.

I. Rozi, S. Pramono, dan E. Dahlan, “Implementasi Opinion Mining (Analisis Sentimen) Untuk Ekstraksi Data Opini Publik Pada Perguruan Tinggi,” Jurnal EECCIS, vol. 6, no. 1, 2012.

D. T. Lukmana, S. Subanti, dan Y. Susanti, “Analisis Sentimen Terhadap Calon Presiden 2019 Dengan Support Vector Machine Di Twitter,” Seminar Nasional Penelitian Pendidikan Matematika (SNP2M) 2019 UMT, no. 2002, 2019.

A. A. Annur, A. A. Murtopo, dan N. Fadilah, “Analisis Sentimen Aplikasi E-Learning Quipper Selama Pandemi Covid-19 Dengan Menggunakan Metode Support Vector Machine (SVM),” Indonesian Journal of Informatics and Research, vol. 3, no. 2, 2022.

P. Kherwa dan P. Bansal, “Topic Modeling: A Comprehensive Review,” EAI Endorsed Transactions on Scalable Information Systems, vol. 7, no. 24, 2020, doi: 10.4108/eai.13-7-2018.159623.

Y. Kustiyahningsih dan Y. Permana, “Penggunaan Latent Dirichlet Allocation (LDA) dan Support-Vector Machine (SVM) Untuk Menganalisis Sentimen Berdasarkan Aspek Dalam Ulasan Aplikasi EdLink,” Teknika, vol. 13, no. 1, hlm. 127–136, Mar 2024, doi: 10.34148/teknika.v13i1.746.

P. Mishra, A. Biancolillo, J. M. Roger, F. Marini, dan D. N. Rutledge, “New data preprocessing trends based on ensemble of multiple preprocessing techniques,” TrAC - Trends in Analytical Chemistry, vol. 132. 2020. doi: 10.1016/j.trac.2020.116045.

M. A. Rosid, A. S. Fitrani, I. R. I. Astutik, N. I. Mulloh, dan H. A. Gozali, “Improving Text Preprocessing for Student Complaint Document Classification Using Sastrawi,” dalam IOP Conference Series: Materials Science and Engineering, 2020. doi: 10.1088/1757-899X/874/1/012017.

T. L. Nikmah, M. Z. Ammar, Y. R. Allatif, R. M. P. Husna, P. A. Kurniasari, dan A. S. Bahri, “Comparison of LSTM, SVM, and naive bayes for classifying sexual harassment tweets,” Journal of Soft Computing Exploration, vol. 3, no. 2, 2022, doi: 10.52465/joscex.v3i2.85.

T. A. L. Jaya dan M. Ayub, “Pengembangan Knowledge Management System dengan Teknik Information Retrieval,” Jurnal Teknik Informatika dan Sistem Informasi, vol. 7, no. 1, 2021, doi: 10.28932/jutisi.v7i1.3316.

A. P. Wibawa, F. Miftahuddin, dan S. Suyono, “K-Medoids Clustering untuk Pembentukan Database Stopword Bahasa Jawa,” Ranah: Jurnal Kajian Bahasa, vol. 10, no. 2, 2021, doi: 10.26499/rnh.v10i2.2125.

Muhammad Harris Syafa’at, E. R. Setyaningsih, dan Y. Kristian, “SVM UNTUK SENTIMENT ANALYSIS CALON KEPALA DAERAH BERDASAR DATA KOMENTAR VIDEO DEBAT PILKADA DI YOUTUBE,” Antivirus: Jurnal Ilmiah Teknik Informatika, vol. 15, no. 2, 2021, doi: 10.35457/antivirus.v15i1.1539.

E. Mulyani, F. P. B. Muhamad, dan K. A. Cahyanto, “Pengaruh N-Gram terhadap Klasifikasi Buku menggunakan Ekstraksi dan Seleksi Fitur pada Multinomial Naïve Bayes,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 5, no. 1, 2021, doi: 10.30865/mib.v5i1.2672.

A. Putri dkk., “Komparasi Algoritma K-NN, Naive Bayes dan SVM untuk Prediksi Kelulusan Mahasiswa Tingkat Akhir,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 3, no. 1, 2023, doi: 10.57152/malcom.v3i1.610.

E. S. R. Br.Situmorang, M. K. Anam, R. Rahmaddeni, dan A. N. Ulfah, “Perbandingan Algoritma Svm Dan Nbc Dalam Analisa Sentimen Pilkada Pada Twitter,” CSRID (Computer Science Research and Its Development Journal), vol. 13, no. 3, 2021, doi: 10.22303/csrid.13.3.2021.169-179.

K. R. Kavitha, K. V. Aiswarya Rajan, dan A. Pillai, “An Improved Feature Selection and Classification of Gene Expression Profile using SVM,” dalam 2019 2nd International Conference on Intelligent Computing, Instrumentation and Control Technologies, ICICICT 2019, 2019, doi: 10.1109/ICICICT46008.2019.8993358.

J. Cervantes, F. Garcia-Lamont, L. Rodríguez-Mazahua, dan A. Lopez, “A comprehensive survey on support vector machine classification: Applications, challenges and trends,” Neurocomputing, vol. 408, 2020, doi: 10.1016/j.neucom.2019.10.118.

D. Putra dan A. Wibowo, “Prediksi Keputusan Minat Penjurusan Siswa SMA Yadika 5 Menggunakan Algoritma Naïve Bayes,” Prosiding Seminar Nasional Riset Dan Information Science (SENARIS), vol. 2, 2020.

F. Tempola, M. Muhammad, dan A. Khairan, “Perbandingan Klasifikasi Antara KNN dan Naive Bayes pada Penentuan Status Gunung Berapi dengan K-Fold Cross Validation,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 5, no. 5, 2018, doi: 10.25126/jtiik.201855983.

A. C. Rumahorbo dan K. A. Sekarwati, “Penerapan Data Mining Dengan Menggunakan Algoritma C4.5 Pada Klasifikasi Fasilitas Kesehatan Provinsi Di Indonesia,” Jurnal Ilmiah Komputasi, vol. 19, no. 1, 2020, doi: 10.32409/jikstik.19.1.153.

P. Patmawati dan M. Yusuf, “Analisis Topik Modelling Terhadap Penggunaan Sosial Media Twitter oleh Pejabat Negara,” Building of Informatics, Technology and Science (BITS), vol. 3, no. 3, 2021, doi: 10.47065/bits.v3i3.1012.

K. B. Putra dan R. P. Kusumawardani, “Analisis Topik Informasi Publik Media Sosial di Surabaya Menggunakan Pemodelan Latent Dirichlet Allocation (LDA),” Jurnal Teknik ITS, vol. 6, no. 2, 2017, doi: 10.12962/j23373539.v6i2.23205.

J. Chang, J. Boyd-Graber, S. Gerrish, C. Wang, dan D. M. Blei, “Reading tea leaves: How humans interpret topic models,” dalam Advances in Neural Information Processing Systems 22 - Proceedings of the 2009 Conference, 2009.

R. F. Amin, “IMPLEMENTASI RESTFULL API MENGGUNAKAN ARSITEKTUR MICROSERVICE UNTUK MANAJEMEN TUGAS KULIAH(STUDI KASUS: MAHASISWA STMIK AKAKOM),” STMIK AKAKOM Yogyakarta, 2020.

R. Wahyudi dan G. Kusumawardana, “Analisis Sentimen pada Aplikasi Grab di Google Play Store Menggunakan Support Vector Machine,” Jurnal Informatika, vol. 8, no. 2, 2021, doi: 10.31294/ji.v8i2.9681.

D. L. C. Pardede dan M. A. I. Waskita, “ANALISIS PEMODELAN TOPIK UNTUK ULASAN TENTANG PEDULI LINDUNGI,” Jurnal Ilmiah Informatika Komputer, vol. 28, no. 1, 2023, doi: 10.35760/ik.2023.v28i1.7925.