ASPECT-BASED SENTIMENT ANALYSIS PADA ULASAN APLIKASI ACCESS BY KAI  MENGGUNAKAN METODE TF-IDF DAN ALGORITMA SUPPORT VECTOR MACHINE

Muhammad Nur Rachman Nidhi Suryono; Amalia Anjani Arifiyanti; Dhian Satria Yudha Kartika

doi:10.24252/instek.v10i2.57155

Authors

Muhammad Nur Rachman Nidhi Suryono UPN Veteran Jawa Timur
Amalia Anjani Arifiyanti UPN Veteran Jawa Timur
Dhian Satria Yudha Kartika UPN Veteran Jawa Timur

DOI:

https://doi.org/10.24252/instek.v10i2.57155

Keywords:

Access by KAI, Analisis Sentimen Berbasis Aspek, BERTopic, Flask, Support Vector Machine

Abstract

Access by KAI merupakan aplikasi layanan transportasi digital dari PT Kereta Api Indonesia yang mempermudah pengguna dalam mengakses layanan perjalanan kereta api. Untuk meningkatkan kualitas layanan dan pengalaman pengguna, penelitian ini melakukan analisis sentimen terhadap ulasan pengguna aplikasi menggunakan algoritma Support Vector Machine (SVM). Tiga aspek utama yang dianalisis yaitu Financial Transactions, Technical Issues and Performance, serta User Experience and Interface. Penelitian menggunakan kombinasi metode sampling (SMOTE dan Non-SMOTE), kernel (Linear, RBF, Polynomial), dan pembagian data (80:20 dan 70:30) untuk menemukan model terbaik. Hasil terbaik untuk aspek Financial Transactions diperoleh dari model SMOTE dengan kernel RBF dan rasio 70:30 (akurasi 0.9270). Untuk Technical Issues and Performance, model terbaik adalah Non-SMOTE dengan kernel Linear dan rasio 70:30 (akurasi 0.8718). Sedangkan untuk User Experience and Interface, model Non-SMOTE dengan kernel Linear dan rasio 80:20 memberikan akurasi tertinggi sebesar 0.8825. Model terbaik ini diimplementasikan dalam aplikasi web berbasis Flask yang dapat memprediksi sentimen, mengekspor hasil dalam bentuk .csv, serta menampilkan visualisasi data. Hasil implementasi menunjukkan bahwa kombinasi model terpilih mampu memberikan pemetaan sentimen yang konsisten dan terstruktur terhadap ulasan pengguna, sehingga dapat digunakan sebagai dasar evaluasi berbasis data dalam pengembangan fitur aplikasi.

Downloads

Download data is not yet available.

References

[1] B. Susarianto, “Analisis Peran Kepemimpinan Digital Dalam Transformasi Digital Di Sektor Publik,” Jutisi J. Ilm. Tek. Inform. dan Sist. Inf., pp. 1530–1537, 2024, [Online]. Available: http://ojs.stmik-banjarbaru.ac.id/index.php/jutisi/article/view/2227%0Ahttp://ojs.stmik-banjarbaru.ac.id/index.php/jutisi/article/download/2227/1170

[2] B. Brahimi, M. Touahria, and A. Tari, “Improving sentiment analysis in Arabic: A combined approach,” J. King Saud Univ. - Comput. Inf. Sci., vol. 33, no. 10, pp. 1242–1250, 2021, doi: 10.1016/j.jksuci.2019.07.011.

[3] R. A. Rahman, V. H. Pranatawijaya, and N. N. K. Sari, “Analisis Sentimen Berbasis Aspek pada Ulasan Aplikasi Gojek,” KONSTELASI Konvergensi Teknol. dan Sist. Inf., vol. 4, no. 1, 2024, doi: 10.24002/konstelasi.v4i1.8922.

[4] I. Monika Parapat and M. Tanzil Furqon, “Penerapan Metode Support Vector Machine (SVM) Pada Klasifikasi Penyimpangan Tumbuh Kembang Anak,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 10, pp. 3163–3169, 2018, [Online]. Available: http://j-ptiik.ub.ac.id

[5] F. M. Madjid, Ratnawati Eka D, and D. Rahayudi, “Sentimental Analysis on Product Reviews Using Support Vector Machine and Nave Bayes,” Appl. Comput. Eng., vol. 2, no. 1, pp. 66–72, 2023, doi: 10.54254/2755-2721/2/20220586.

[6] H. Mustakim and S. Priyanta, “Aspect-Based Sentiment Analysis of KAI Access Reviews Using NBC and SVM,” IJCCS (Indonesian J. Comput. Cybern. Syst., vol. 16, no. 2, p. 113, 2022, doi: 10.22146/ijccs.68903.

[7] F. S. Jumeilah, “Penerapan Support Vector Machine (SVM) untuk Pengkategorian Penelitian,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 1, no. 1, pp. 19–25, 2017, doi: 10.29207/resti.v1i1.11.

[8] A. Kusuma, E. Ermatita, and H. N. Irmanda, “Analisis Sentimen Pada Ulasan Aplikasi Indodax di Google Play Store Menggunakan Metode Support Vector Machine,” Pros. Semin. Nas. Mhs. Bid. Ilmu Komput. dan Apl., vol. 3, no. 2, pp. 773–782, 2022.

[9] A. A. Aliero, B. S. Adebayo, H. O. Aliyu, A. G. Tafida, B. U. Kangiwa, and N. M. Dankolo, “Systematic Review on Text Normalization Techniques and its Approach to Non-Standard Words,” Int. J. Comput. Appl., vol. 185, no. 33, pp. 44–55, 2023, doi: 10.5120/ijca2023923106.

[10] T. Setiawan, S. Liem, and D. M. R. Pribadi, “Perbandingan Algoritma SVM dan Naïve Bayes dalam Analisis Sentimen Komentar Tiktok pada Produk Skincare,” Appl. Inf. Technol. Comput. Sci., vol. 3, no. 2, pp. 28–32, 2024, [Online]. Available: https://jurnal.politap.ac.id/index.php/aicoms

[11] A. F. Rochim, K. Widyaningrum, and D. Eridani, “Comparison of Kernels Function between of Linear, Radial Base and Polynomial of Support Vector Machine Method Towards COVID-19 Sentiment Analysis,” pp. 224–228, 2021.

[12] Yeni Anistyasari and Eko Hariadi, “Algoritma baru pembentukan kata dasar,” Pros. SNRT (Seminar Nas. Ris. Ter., vol. 5662, no. November, pp. 70–76, 2019.

[13] I. K. T. Mertayasa and I. D. M. B. A. Darmawan, “Pemodelan Topik Pada Ulasan Hotel Menggunakan Metode BERTopic Dengan Prosedur c-TF-IDF,” J. Nas. Teknol. Inf. dan Apl., vol. 1, no. 1, pp. 307–316, 2022.

[14] D. Septiani and I. Isabela, “Analisis Term Frequency Inverse Document Frequency (TF-IDF) Dalam Temu Kembali Informasi Pada Dokumen Teks,” SINTESIA J. Sist. dan Teknol. Inf. Indones., vol. 1, no. 2, pp. 81–88, 2023.

[15] M. Hu and B. Liu, “Mining and summarizing customer reviews,” KDD-2004 - Proc. Tenth ACM SIGKDD Int. Conf. Knowl. Discov. Data Min., pp. 168–177, 2004, doi: 10.1145/1014052.1014073.