Analisis Sentimen menggunakan Algoritma Long Short-Term Memory (LSTM) dan Pemodelan Topik menggunakan Algoritma Non-Negatif Matrix Factorization (NMF) pada aplikasi Sekolah.mu Berdasarkan Ulasan di Google Play Store
Abstrak
Penelitian ini bertujuan untuk menganalisis ulasan pengguna aplikasi Sekolah.mu di Google Play Store dengan menggunakan dua pendekatan utama yaitu analisis sentimen menggunakan algoritma Long Short-Term Memory (LSTM) dan pemodelan topik menggunakan algoritma Non-Negative Matrix Factorization (NMF). Aplikasi Sekolah.mu merupakan platform pembelajaran berbasis digital yang terus berkembang dan menerima umpan balik dari penggunanya. Dengan jumlah ulasan yang sangat banyak, analisis manual menjadi tidak efisien. Oleh karena itu, analisis sentimen diperlukan untuk mengklasifikasikan ulasan pengguna menjadi sentimen positif atau negatif, serta pemodelan topik untuk mengidentifikasi topik-topik utama yang dibahas. Metodologi penelitian mencakup pengumpulan data melalui scraping, preprocessing data, klasifikasi sentimen menggunakan LSTM, evaluasi model menggunakan confusion matrix dan pemodelan topik menggunakan NMF, evaluasi pemodelan topik menggunakan coherence topik. Hasil penelitian menunjukkan bahwa model LSTM memiliki akurasi sebesar 90,18% dalam mengklasifikasikan sentimen, sedangkan model NMF berhasil mengidentifikasi 6 topik utama yang relevan dengan pengalaman pengguna. Hasil penelitian diharapkan menjadi dasar strategis dalam pengembangan kualitas aplikasi dan peningkatan kepuasan serta loyalitas pengguna terhadap aplikasi Sekolah.mu. Kata kunci— analisis sentimen, deep learning, LSTM, NMF, Sekolah.mu, pemodelan topik
Referensi
a. P. A. Fiestasari, "PENGARUH TOTAL QUALITY MANAGEMENT, KUALITAS PELAYANAN, DAN HARGA PRODUK TERHADAP KEPUASAN PELANGGAN PROGRAM GURU MERDEKA BELAJAR DI PLATFORM SEKOLAH.MU," journal or quality management, 2021.
N. G. G. Y. C. D. R. D. R. Fikri Fahru Roji, "Review Analysis of SatuSehat Application Using Support Vector Machine and Latent Dirichlet Allocation Modeling," JURNAL RISTEC : Research in Information Systems and Technology , vol. 4, 2023.
E. N. Adielia Amanda, "ANALISIS SENTIMEN DAN PEMODELAN TOPIK PADA TWEET TERKAIT DATA BADAN PUSAT STATISTIK," urnal Sistem Informasi dan Informatika (Simika) , vol. 6, 2023.
F. H. Fitroh, "Systematic Literature Review: Analisis Sentimen Berbasis Deep Learning," Jurnal Nasional Teknologi dan Sistem Informasi, 2023.
S. H. W. ,. N. Y. S. Ersa Sa’dul Asyhar, "Analisis Sentimen dan Pemodelan Topik Terhadap Ulasan Aplikasi Jenius Menggunakan Metode Support Vector Machine dan Latent Dirichlet Allocation," Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 2024.
A. B. R. d. S. N. Herjuna Ardi Prakosa, "Analisis sentimen dan pemodelan topik pandemi Covid-19 pada media sosial Twitter menggunakan NaÔve Bayes Classifier dan Latent Dirichlet Allocation.," jnanaloka, 2021.
A. A. T. S. Muhammad Musa Isa, "A Review of the Applications in Text Mining and Natural Language Processing (NLP)," NDA Journal of Military Science and Disciplinary Studies, 2022.
M. I. R. W. S. M. I. Z. A. S. Azzahra Nur Oktavia, "Implementasi Metode Natural Language Processing Dalam Studi Analisis Semantik Dan Emosi Buzzer Pada Tweet Di Aplikasi X," 2024.
Y. A. Singgalen, "Understanding Hotel Customer Experience through User-Generated Reviews using Knowledge Discovery in Databases (KDD)," 2024.
H. F. Abdulkadir Abdulahi Hasan, "Data Mining in Education: Discussing Knowledge Discovery in Database (KDD) with Cluster Associative Study," 20221.
U. E. ,. Y. U. Dina Amelia Alzahra, "Analisis Sentimen Ulasan Pengguna Klik Indomaret Pada Google Play Menggunakan Support Vector Machine," 2023.
Y. R. S. Risha Nur Mauliza, "Penerapan Text Mining Dalam Menganalisis Pendapat Masyarakat Penerapan Text Mining Dalam Menganalisis Pendapat Masyarakat," 2024.
M. H. I. M. R. U. U. Abdur Rohim, "Penerapan Metode Text Mining dengan Chatbot Questions And Answer pada PT PLN (Persero) Sumatera Selatan," 2023.
S. H. W. ,. N. Y. S. Ersa Sa’dul Asyhar, "Analisis Sentimen dan Pemodelan Topik Terhadap Ulasan Aplikasi Jenius Menggunakan Metode Support Vector Machine dan Latent Dirichlet Allocation," 2024.
S. A. M. I. S. Gilbert Darmawan, "ANALISIS SENTIMEN BERDASARKAN ULASAN PENGGUNA APLIKASI MYPERTAMINA PADA GOOGLE PLAYSTORE MENGGUNAKAN METODE NAœVE BAYES," 2023.
S. Mutmainah, "Analisis Sentimen dan Pemodelan Topik Aplikasi Telemedicine Pada Google Play Menggunakan BiLSTM dan LDA," 2023.
R. M. A. B. Refianti, "A Lexicon-Based Long ShortTerm Memory (LSTM) Model for Sentiment Analysis to Classify Halodoc Application Reviews on Google Playstore," 2024.
S. F. M. Sudriyanto, "Evaluasi Model Jaringan Saraf Tiruan Berbasis LSTM dalam Memprediksi Fluktuasi Harga Bitcoin," 2024.
N. R. Jayanti, "Analisis Sentimen Review Aplikasi Identitas Kependudukan Digital Menggunakan Algoritma Support Vector Machine," 2024.
R. A. Saputra, "Analisis Sentimen Aplikasi Tokocrypto Berdasarkan Ulasan Pada Google Play Store Menggunakan Metode NaÔve Bayes," 2024.
C. C. Dan, "Analisis Sentimen Pengguna Aplikasi Mobile Jkn Menggunakan Algoritma NaÔve Bayes," 2024.
M. Djufri, "PENERAPAN TEKNIK WEB SCRAPING UNTUK PENGGALIAN POTENSI PAJAK (Studi Kasus pada Online Market Place Tokopedia, Shopee dan Bukalapak)," 2020.
S. F. Pane, "Pemodelan Machine Learning : Analisis Sentimen Masyarakat Terhadap Kebijakan PPKM Menggunakan Data Twitter," 2022.
S. Khomsah, "Model Text-Preprocessing Komentar Youtube Dalam Bahasa Indonesia," 2020.
K. P. C. Kalaiarasan, "Web Services Performance Prediction with Confusion Matrix and K-Fold Cross Validation to Provide Prior Service Quality Characteristics", 2024.
I. D. A. R. L. M. H. Kartikadyota Kusumaningtyas, "Analisis Tren Topik dalam Ulasan Negatif Aplikasi M-Banking," 2024.
E. Helmud, "Classification Comparison Performance of Supervised Machine Learning Random Forest and Decision Tree Algorithms Using Confusion Matrix," 2024.
R. P. F. Afidh, "Pemodelan Topik Menggunakan nGram dan Non-negative Matrix Factorization," 2023.
R. Bagheri, "Topic Modeling on System Thinking Themes Using Latent Dirichlet Allocation, NonNegative Matrix Factorization and BER Topic," 2023.
I. N. Switrayana, "Sentiment Analysis and Topic Modeling of Kitabisa Applications using Support Vector Machine (SVM) and Smote-Tomek Links Methods," 2023.
O. Babalola, "Comprehensive Evaluation of LDA, NMF, and BERTopic's Performance on News Headline Topic Modeling," 2024.
Y. Kustiyahningsih, "Penggunaan Latent Dirichlet Allocation (LDA) dan Support-Vector Machine (SVM) Untuk Menganalisis Sentimen Berdasarkan Aspek Dalam Ulasan Aplikasi EdLink," 2024.
S. J. Blair, "Aggregated topic models for increasing social media topic coherence," 2020.
