Analisis Sentimen pada Pemodelan Topik Ulasan Pengguna Gojek Menggunakan Metode Vader dan LDA
Tahun 2025 · Penulis: Intan Larasati Anisa Rahma
Faculty of Computer Science, Universitas Jember
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Terjemahan mesin (opus-mt-en-id) · dipakai untuk pengindeksan
Analisis Sentimen pada Pemodelan Topik Ulasan Pengguna Gojek Menggunakan Metode Vader dan LDA
Total 319.031 ulasan pengguna dari aplikasi Gojek dikumpulkan dari Google Play Store antara 1 Januari 2022, dan 31 Desember 2024. Data yang telah diproses telah berlangsung tahap-tahap termasuk pembersihan, normalisasi menggunakan lima diksioner bahasa Indonesia, terjemahan ke dalam bahasa Inggris, lipatan kasus, penghapusan kata berhenti, tokenisasi, dan lamatisisasi. Pengukuran jangka dilakukan menggunakan metode TF-IDF untuk menghasilkan lebih relevan dengan fitur kata representasi. Model model dengan Algoritma Latent Dirichlet Alokasi (LDA) mengidentifikasi sembilan topik utama berdasarkan nilai koherence tertinggi 0,563. Topik-topik ini mencakup: (1) Layanan Pengiriman, (2) Akun & Login, (3) Feedback Pengguna, (4) Driver & Service Ethics, (5) Surelctions & Promotions, (6) Stabilitas Aplikasi & Kinerja, (7) Transaksi & Pembayaran, (8) Kemudahan & Efisiensi Layanan, dan (9) Kebutuhan Pengguna & Kegiatan. Analisis Sentimental menggunakan metode VADER dilakukan pada setiap topik. Hasil analisis menunjukkan bahwa kebanyakan ulasan pengguna menyatakan sentimen positif, khususnya dalam topik pengguna Feedback, yang didominasi oleh 90.2% sentimen positif. Sebaliknya, akun & Login topik memiliki proporsi sentimen negatif tertinggi (17.0%) dan sentimen netral (64.5%). Klasifikasi Sentimement dievaluasi dengan membandingkan hasil VADER dengan data yang diberi label secara manual, menghasilkan akurasi 79,12%, presisi 83,56%, mengingat 79,12%, dan sebuah F1-score 79,27%. Temuan ini menunjukkan bahwa VADER efektif dalam menganalisis sentimen dalam ulasan pengguna dan dapat mendukung para pengembang aplikasi untuk memperoleh pemahaman yang lebih dalam terhadap persepsi pengguna dan perbaikan layanan yang memprioritaskan.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,791
Tahun 2026 · Penulis: Anugerah Sayekti
Analisis Sentimen Untuk Mengidentifikasi Preferensi Genre pada Komentar di Wattpad Menggunakan Metode Naive Bayes
Pemanfaatan komentar pembaca pada platform Wattpad untuk mengidentifikasi preferensi genre melalui analisis sentimen masih belum optimal. Selain itu, penelitian sebelumnya umumnya belum mengkaji hubungan antara klasifikasi sentimen dan preferensi genre secara
- Cosine 0,780
Tahun 2026 · Penulis: Arif Hendrawan Priliyanto
Analisis Sentimen Berbasis Aspek pada Ulasan Aplikasi Redbus Indonesia: Fine-Tuning Indobert
User reviews dari aplikasi agen perjalanan online berisi informasi tentang kepuasan dan keluhan tentang berbagai layanan. Namun, analisis sentimen umum tidak dapat mengidentifikasi aspek-aspek dinas spesifik yang mendasari evaluasi ini. Penelitian ini bertujua
- Cosine 0,773
Tahun 2024 · Penulis: Arham Zainul Abidin
Analisis Sentimen Pengguna Twitter terhadap Citra Merek ChatGPT Menggunakan Rule-based, Support Vector Machine, dan Lexicon-based
Seorang chatbot yang didasarkan pada kecerdasan buatan, ChatGPT, memicu kontroversi dalam berbagai media berita karena hal itu dapat berpotensi menggantikan pekerjaan manusia, khususnya dalam tulisan. Sebagai teknologi baru, ChatGPT secara alami menghadapi pro