Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"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."

"E-commerce merupakan kontributor utama ekonomi digital Indonesia, tetapi statistik menunjukkan adanya peningkatan jumlah keluhan dan insiden penipuan terkait e-commerce yang berakibat kepercayaan masyarakat terhadap e-commerce menurun. Salah satu akar permasalahan yang diidentifikasi yaitu maraknya opini negatif publik yang cenderung mendorong pelanggan untuk tidak menggunakan layanan e-commerce. Oleh karena itu, penelitian ini menganilisis sentimen publik dengan tujuan mengetahui model terbaik untuk mengklasifikasikan sentimen, tren sentimen dari waktu ke waktu, topik utama yang melandasi sentimen tersebut, serta rekomendasi berdasarkan analisis. Penelitian ini menggunakan data dari Twitter dengan periode tweet dari Agustus hingga Oktober 2023, berfokus pada tiga e-commerce terbesar di Indonesia. Pada tahap analisis, metode machine learning untuk analisis sentimen dan Latent Dirichlet Allocation (LDA) untuk pemodelan topik diimplementasikan. Hasil penelitian menunjukkan bahwa model terbaik untuk mengklasifikasikan sentimen adalah Support Vector Machine (SVM) dengan temuan yaitu sentimen netral mendominasi, sentimen negatif stabil dengan beberapa peningkatan, sementara sentimen positif lebih bervariasi, terdapat lonjakan di beberapa titik. Topik utama sentimen positif berkaitan dengan proses belanja menyenangkan, fitur inovatif, event khusus, harga dan penawaran murah, serta dukungan terhadap produk lokal di e-commerce. Sentimen negatif berpusat pada isu ketidaksesuaian barang, pengembalian dana, pengiriman barang, dan layanan pelanggan. Rekomendasi untuk meningkatkan kepuasan pelanggan mencakup memperkuat aspek-aspek yang memicu sentimen positif, serta menangani permasalahan yang memicu sentimen negatif, seperti perbaikan proses pengiriman, dan penguatan langkah-langkah keamanan untuk mengatasi penipuan.

---

E-commerce plays a vital role in Indonesia's digital economy, but statistics reveal an increase in complaints and fraud incidents associated with e-commerce, leading to a decline in public trust. One identified root issue is the prevalence of negative public opinions, discouraging customers from using e-commerce services. Therefore, this study analyzes public sentiment with the aim of determining the best model for sentiment classification, understanding sentiment trends over time, identifying key topics underlying these sentiments, and providing recommendations based on the analysis. The study utilizes Twitter data from August to October 2023, focusing on the three largest e-commerce platforms in Indonesia. In the analysis phase, machine learning methods for sentiment analysis and Latent Dirichlet Allocation (LDA) for topic modeling are implemented. The findings indicate that the Support Vector Machine (SVM) is the best model for sentiment classification. Neutral sentiment dominates, negative sentiment remains stable with occasional increases, while positive sentiment is more varied, experiencing spikes at certain points. Key topics associated with positive sentiment include enjoyable shopping experiences, innovative features, special events, affordable pricing, and support for local products in e-commerce. Negative sentiment revolves around issues of product mismatch, refund processes, shipping concerns, and customer service. Recommendations to enhance customer satisfaction involve strengthening aspects that trigger positive sentiments and addressing issues causing negative sentiments, such as improving the delivery process and reinforcing security measures to tackle fraud."