ANALISIS SENTIMEN ULASAN PENGGUNA ACCESS BY KAI MENGGUNAKAN METODE WORD2VEC DAN ALGORITMA SVM
DOI:
https://doi.org/10.23960/jitet.v12i3.4892Abstract Views: 833 File Views: 635
Abstract
Beberapa ulasan dari pengguna KAI Access menyatakan sering terjadi gangguan pada saat pemesanan tiket. Hingga akhirnya pada tanggal 10 Agustus 2023 PT Kereta Api Indonesia melakukan peluncuran aplikasi Access by KAI sebagai bentuk upgrade dari aplikasi sebelumnya. Dengan adanya ulasan yang diberikan pengguna untuk aplikasi, perlu dilakukan analisis sentimen untuk melihat bagaimana pendapat dan reaksi pengguna dalam menggunakan aplikasi Access by KAI. Data ulasan pengguna diambil dari Google Play Store dan App Store. SEMMA dipilih sebagai metode pengembangan model data mining dengan tahapan dimulai dari Sample, Explore, Modify, Model, dan Assess. Analisis sentimen dilakukan dengan menggunakan metode Word2vec (CBOW dan Skip-gram) sebagai metode ekstraksi fitur dan 4 kernel SVM yang digunakan yaitu kernel linear, kernel polynomial, kernel RBF, dan kernel sigmoid. Hasil dari delapan skenario model klasifikasi yang dilakukan dengan menggabungkan metode Word2vec dan algoritma Support Vector Machine, dihasilkan satu skenario terbaik yaitu skenario model yang menggunakan algoritma SVM kernel RBF dengan metode Skip-Gram ditambah metode oversampling SMOTE dihasilkan nilai akurasi 81% dan nilai AUC sebesar 0.81.Downloads
References
S. Hendrik, and D. Novita. "Analisis Kepuasan Pengguna Aplikasi KAI Access Sebagai Media Pemesanan Tiket Kereta Api Menggunakan Metode EUCS." Jurnal Teknologi Sistem Informasi, vol. 2, pp. 162-175, 2021.
U. W. Yuda, M. B. Pratama, M. Rhamadani, and T. Sutabri, “Implementasi Teknologi Informasi Dalam Sistem Pemesanan Tiket Melalui Aplikasi KAI Access pada PT. Kereta Api Indonesia”, ijm, vol. 1, no. 5, Nov. 2023.
N. M. Arochma, E. G. Purnaningsih, N. K. Anggreani, and A. Wulansari, “Evaluasi Kepuasan Pengguna Aplikasi KAI Access dengan Pendekatan End-User Computing Satisfaction”, JSIT, vol. 3, no. 2, pp. 186–197, Jun. 2023.
R. Kusnadi, Y. Yusuf, A. Andriantony, R. Ardian Yaputra, and M. Caintan, “ANALISIS SENTIMEN TERHADAP GAME GENSHIN IMPACT MENGGUNAKAN BERT”, rabit, vol. 6, no. 2, pp. 122-129, Jul. 2021.
M. Ikhsan, “Analisis Sentimen Terhadap Kenaikan Harga Bahan Bakar Minyak Menggunakan Long Short-Term Memory”, IJCSR, vol. 2, no. 1, pp. 31–41, Feb. 2023.
Y. Akbar dan T. Sugiharto. “Analisis Sentimen Pengguna Twitter di Indonesia Terhadap ChatGPT Menggunakan Algoritma C4. 5 dan Naïve Bayes”, Jurnal Sains dan Teknologi, vol. 5, no. 1, pp. 115-122, 2023.
S. Samsir, A. Ambiyar, U. Verawardina, F. Edi, dan R. Watrianthos. “Analisis Sentimen Pembelajaran Daring Pada Twitter di Masa Pandemi COVID-19 Menggunakan Metode Naïve Bayes”, Jurnal Media Informatika Budidarma, vol. 5, no. 1, pp. 157-163, 2021.
S. M. Salsabila, A. A. Murtopo, dan N. Fadhilah. “Analisis Sentimen Pelanggan Tokopedia Menggunakan Metode Naïve Bayes Classifier”, Jurnal Minfo Polgan, vol. 11, no. 2, pp. 30-35, 2022.
D. P. Waluyaningtyas, dan D. H. Laksana. “Pengaruh Perceived Ease Of Use, Perceived Usefulness, Security, Dan Trust Terhadap Intention To Use Aplikasi Access By Kai (Survei pada Mahasiswa di Daerah Istimewa Yogyakarta)”, Innovative: Journal Of Social Science Research, vol. 3, no. 6, pp. 9970-9981, 2023.
N. A. Pratama dan H. M. Thamrin. “Peran hubungan masyarakat PT Kereta Api Indonesia Daop 9 Jember dalam meningkatkan kualitas pelayanan kepada Masyarakat”, Journal of Advances in Accounting, Economics, and Management, vol. 1, no. 1, pp. 1-9, 2023.
N. Hotz. “What is SEMMA?. Data Science Process Alliance”, 12 Agustus 2023. Diakses pada 23 Februari 2024, dari laman https://www.datascience-pm.com/semma/
S. Sivakumar, L. S. Videla, T. R. Kumar, J. Nagaraj, S. Itnal, dan D. Haritha. “Review on word2vec word embedding neural net”, In 2020 international conference on smart electronics and communication (ICOSEC), pp. 282-290, 2020.
M. Muchtar dan R. A. Muchtar. “PERBANDINGAN METODE KNN DAN SVM DALAM KLASIFIKASI KEMATANGAN BUAH MANGGA BERDASARKAN CITRA HSV DAN FITUR STATISTIK”, Jurnal Informatika dan Teknik Elektro Terapan, vol. 12, no. 2, 2024.
S. Suryani dan M. Mustakim. “Estimasi Keberhasilan Siswa dalam Pemodelan Data Berbasis Learning Menggunakan Algoritma Support Vector Machine”, Bulletin of Informatics and Data Science, vol. 1, no. 2, pp. 81-88, 2022.
S. R. Darmawan, M. Fatchan, dan M. Maulana. “Prediction of 2024 Presidential Election using K-NN with Metric Approaches Chebyshev and Euclidean Based on Twitter Data Investigation”, Jurnal Teknik Informatika (Jutif), vol. 5, no. 2, pp. 475-485, (2024).
I. Karo Karo, J. Karo Karo, Y. Yunianto, H. Hariyanto, M. Falah, and M. Ginting, “Analisis Sentimen Ulasan Aplikasi Info BMKG di Google Play Menggunakan TF-IDF dan Support Vector Machine”, josh, vol. 4, no. 4, pp. 1423-1430, Jul. 2023.
K. Pal and B. V. Patel, "Data Classification with k-fold Cross Validation and Holdout Accuracy Estimation Methods with 5 Different Machine Learning Techniques," 2020 Fourth International Conference on Computing Methodologies and Communication (ICCMC), pp. 83-87, 2020.
