Sentimen analisis Berbasis Aspek pada Ulasan Pengguna aplikasi Sekolah.mu di Google Play store Menggunakan Algoritma Convolutional Neural Network (CNN)
Abstract
Perkembangan teknologi digital dan platform pembelajaran daring di Indonesia, seperti Sekolah.mu, telah mengubah proses belajar mengajar. Dengan semakin banyaknya pengguna, muncul ulasan tidak terstruktur di Google Play Store yang dapat menjadi wawasan berharga bagi pengembang aplikasi. Untuk menguraikan data ulasan, diperlukan analisis sentimen berbasis aspek (ABSA) untuk memberikan informasi yang lebih terperinci. Penelitian ini menerapkan ABSA menggunakan algoritma Convolutional Neural Network (CNN) untuk mengklasifikasikan sentimen dan aspek dari ulasan aplikasi Sekolah.mu. Data dari ulasan diproses melalui tahapan Knowledge Discovery in Databases (KDD) dan direpresentasikan dalam vektor oleh Word2Vec. Hasil penelitian menunjukkan bahwa model CNN berhasil mengklasifikasikan sentimen dengan akurasi antara 82% dan 89% di tiga dimensi fokus: konten pendidikan, kinerja aplikasi, dan pengalaman pengguna termasuk metrik keterlibatan pelajar. Pekerjaan ini juga menyediakan aplikasi bertenaga Streamlit yang dikembangkan untuk membantu pengguna dalam memvisualisasikan hasil analisis sentimen yang dilakukan pada ulasan pelajar. Temuan ini menunjukkan bahwa CNN berguna untuk menganalisis konten yang dibuat pengguna secara sengaja dan dapat secara efektif meningkatkan pengalaman pengguna dalam aplikasi pendidikan.
Kata Kunci—Convolutional Neural Network, Aspect-Based Sentiment Analysis, Word2Vec, Streamlit, Aplikasi Sekolah.mu.
References
A. Simanungkalit, J. P. P. Naibaho, and A. De Kweldju, “Analisis Sentimen Berbasis Aspek Pada Ulasan Aplikasi Shopee Menggunakan Algoritma Naïve Bayes,” Jutisi J. Ilm. Tek. Inform. dan Sist. Inf., vol. 13, no. 1, p. 659, 2024, doi: 10.35889/jutisi.v13i1.1826.
H. Faisal, A. Febriandirza, and F. N. Hasan, “Analisis Sentimen Terkait Ulasan Pada Aplikasi PLN Mobile Menggunakan Metode Support Vector Machine,” KESATRIA J. Penerapan Sist. Inf. (Komputer Manajemen), vol. 5, no. 1, pp. 303–312, 2024.
I. M. Karo Karo, S. Dewi, and A. Perdana, “Implementasi Text Summarization Pada Review Aplikasi Digital Library System Menggunakan Metode Maximum Marginal Relevance,” JEKIN - J. Tek. Inform., vol. 4, no. 1, pp. 25–31, 2024, doi: 10.58794/jekin.v4i1.671.
H. Chyntia Morama, D. E. Ratnawati, and I. Arwani, “Analisis Sentimen berbasis Aspek terhadap Ulasan Hotel Tentrem Yogyakarta menggunakan Algoritma Random Forest Classifier,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 6, no. 4, pp. 1702–1708, 2022, [Online]. Available: http://j-ptiik.ub.ac.id
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.
Nurul Hidayati, Faqih Hamami, and Riska Yanu Fa’rifah, “Aspect-Based Sentiment Analysis On FLIP Application Reviews (Play Store) Using Support Vector Machine (SVM) Algorithm,” J. Informatics Telecommun. Eng., vol. 7, no. 1, pp. 183–197, 2023, doi: 10.31289/jite.v7i1.9768.
P. A. Aritonang, M. E. Johan, and I. Prasetiawan, “Aspect-Based Sentiment Analysis on Application Review using CNN (Case Study : Peduli Lindungi Application),” Ultim. Infosys J. Ilmu Sist. Inf., vol. 13, no. 1, pp. 54–61, 2022.
N. Nurwanda, N. Suarna, and W. Prihartono, “Penerapan Nlp (Natural Language Processing) Dalam Analisis Sentimen Pengguna Telegram Di Playstore,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 2, pp. 1841–1846, 2024, doi: 10.36040/jati.v8i2.8469.
N. Nurzaman, N. Suarna, and W. Prihartono, “Analisis Sentimen Ulasan Aplikasi Threads Di Google Playstore Menggunakan Algoritma Naïve Bayes,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 1, pp. 967–974, 2024, doi: 10.36040/jati.v8i1.8708.
C. A. Bahri and L. H. Suadaa, “Aspect-Based Sentiment Analysis in Bromo Tengger Semeru National Park Indonesia Based on Google Maps User Reviews,” IJCCS (Indonesian J. Comput. Cybern. Syst., vol. 17, no. 1, p. 79, 2023, doi: 10.22146/ijccs.77354.
A. Agung, A. Daniswara, I. Kadek, and D. Nuryana, “Data Preprocessing Pola Pada Penilaian Mahasiswa Program Profesi Guru,” J. Informatics Comput. Sci., vol. 05, pp. 97–100, 2023.
Y. A. Prasetyo, E. Utami, and A. Yaqin, “Pengaruh Komposisi Split Data Terhadap Performa Akurasi Analisis Sentimen Algoritma Naïve Bayes dan SVM,” vol. 6, no. 2, pp. 382–390, 2024, doi: 10.33650/jeecom.v4i2.
D. Iskandar and A. Kurniawati, “A COMPARATIVE ANALYSIS OF WORD2VEC AND DOC2VEC TECHNIQUES IN,” vol. 12, no. 1, pp. 133–144, 2025, doi: 10.25126/jtiik.2025129143.
M. T. Ari Bangsa, S. Priyanta, and Y. Suyanto, “Aspect-Based Sentiment Analysis of Online Marketplace Reviews Using Convolutional Neural Network,” IJCCS (Indonesian J. Comput. Cybern. Syst., vol. 14, no. 2, p. 123, 2020, doi: 10.22146/ijccs.51646.
a. K. Santra and C. J. Christy, “Genetic Algorithm and Confusion Matrix for Document Clustering,” Int. J. Comput. Sci., vol. 9, no. 1, pp. 322–328, 2012, [Online]. Available: http://ijcsi.org/papers/IJCSI-9-1-2-322-328.pdf
M. Ferdyandi, N. Y. Setiawan, and F. Abdurrachman Bachtiar, “Prediksi Potensi Penjualan Makanan Beku Berdasarkan Ulasan Pengguna Shopee Menggunakan Metode Decision Tree Algoritma C4.5 Dan Random Forest (Studi Kasus Dapur Lilis),” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 6, no. 2, pp. 588–596, 2022, [Online]. Available: http://j-ptiik.ub.ac.id
R. Rinandyaswara, Y. A. Sari, and M. T. Furqon, “Pembentukan Daftar Stopword Menggunakan Term Based Random Sampling Pada Analisis Sentimen Dengan Metode Naïve Bayes (Studi Kasus: Kuliah Daring Di Masa Pandemi),” J. Teknol. Inf. dan Ilmu Komput., vol. 9, no. 4, p. 717, 2022, doi: 10.25126/jtiik.2022934707.
M. U. Albab, Y. Karuniawati P, and M. N. Fawaiq, “Optimization of the Stemming Technique on Text preprocessing President 3 Periods Topic,” J. Transform., vol. 20, no. 2, pp. 1–10, 2023, [Online]. Available: https://journals.usm.ac.id/index.php/transformatika/■page1
