Analisis Sentimen Berbasis Topik pada Ulasan Aplikasi Maxim Menggunakan Pendekatan Semisupervised Learning dengan Indobert, Lda, dan Generative Ai Laporan Skripsi
Tahun 2026 · Penulis: Valentino Hariyanto
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 Berbasis Topik pada Ulasan Aplikasi Maxim Menggunakan Pendekatan Semisupervised Learning dengan Indobert, Lda, dan Generative Ai Laporan Skripsi
Maxim adalah layanan keliling yang beroperasi di Indonesia sejak Juli 2018. Jumlah pengguna terus bertambah, yang juga meningkatkan jumlah ulasan pada platform seperti Google Play Store dan X (Twitter). Ulasan ini berisi banyak informasi tentang persepsi pengguna dari layanan tersebut. Akan tetapi, volume yang besar mempersulit analisis manual dan tidak praktis. Penelitian ini menggunakan analisis sentimen untuk memahami persepsi pengguna Maxim. Pendekatan menggabungkan IndoBERT dengan semi-pervised belajar untuk klasifikasi sentimen, Latennt Dirichlet Alokasi (LDA) untuk topik ekstraksi, dan Generatif AI untuk interpretasi topik. Data dikumpulkan dari 2018 sampai 2025, total 252.321 ulasan. Setelah preprosesing, 209.665 ulasan tetap dapat digunakan. Dataset awal 2.500 ulasan secara manual diberi label oleh tiga annotator. Perjanjian antar-rater diuji menggunakan Fleiss' Kappa dan memperoleh nilai 0.6286, yang jatuh dalam kategori perjanjian substansial. Dataset berlabel ini digunakan untuk melatih IndoBERT-base-p2 sebagai model awal. Iteratif bootstrapping kemudian dilakukan untuk lima iterasi dengan menambahkan pseudo-label dengan skor keyakinan setidaknya 0,98. Model terbaik, M3, mencapai 96% akurasi dan makro F1-score dari 0.93. Untuk model topik, LDA mengidentifikasi lima topik utama: Sikap Driver, Performan Aplikasi, Proses Order, GPS/Map Accuracy, dan Price dan Fare. Label Topic dilakukan menggunakan Google Gemini melalui sebuah prompt terstruktur. Hasil menunjukkan bahwa Sikap Driver sebagian besar positif, sementara Performan Aplikasi, Proses Order, dan GPS/Map Accuracy didominasi oleh sentimen negatif. Harga dan Fare memiliki distribusi yang relatif seimbang. Tren sensimen dari tahun 2018 sampai 2024 menunjukkan peningkatan bertahap. Temuan tersebut menunjukkan bahwa masalah teknis dalam aplikasi dan proses pencocokan pengemudi adalah bidang utama yang perlu perbaikan.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,867
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 0,819
Tahun 2026 · Penulis: Tantra Wahyudi
Implementasi Sistem Deteksi Sentimen Berbasis Aspek untuk Ulasan Smartphone Menggunakan Metode Support Vector Machine (Studi kasus: iPhone 17 Pro)
Pengguna internet Indonesia telah menghasilkan jutaan ulasan smartphone di YouTube, yang sebagian besar ditulis dalam bahasa informal yang sangat tinggi yang berisi singkatan, typos, dan sarkasme, membuat analisis otomatis sangat menantang sistem konvensional.
- Cosine 0,801
Tahun 2024 · Penulis: Gilang Gibran Al Fikri
Evaluasi Ui/Ux Pada Aplikasi Mitramart Menggunakan Metode Enhanced Cognitive Walkthrough
Evaluasi UI/UX Pada Aplikasi MitraMart Menggunakan Metode Enhanced Cognitive Walkthrough, oleh Gilang Gibran Al Fikri, 172410101088; 121; Program Studi Sistem Informasi Fakultas Ilmu Komputer Universitas Jember. Seiring berkembangnya era internet, banyak aktiv