Penggunaan Latent Dirichlet Allocation (LDA) dan Support-Vector Machine (SVM) Untuk Menganalisis Sentimen Berdasarkan Aspek Dalam Ulasan Aplikasi EdLink

Yeni Kustiyahningsih; Yohan Permana

doi:10.34148/teknika.v13i1.746

Yeni Kustiyahningsih Program Studi Sistem Informasi, Universitas Trunojoyo, Madura, Jawa Timur
Yohan Permana Program Studi Sistem Informasi, Universitas Trunojoyo, Madura, Jawa Timur

DOI: https://doi.org/10.34148/teknika.v13i1.746

Keywords: Analisis Sentimen Berbasis Aspek, EdLink, Latent Dirichlet Allocation, Support Vector Machine

Abstract

EdLink merupakan salah satu platform mobile berbasis Android yang telah dirancang khusus untuk mendukung pengalaman belajar di dunia pendidikan. Platform ini menawarkan berbagai fitur konten pembelajaran interaktif, tugas online, dan diskusi. EdLink telah menjadi salah satu aplikasi yang banyak diminati dan digunakan di berbagai instansi pendidikan, termasuk perguruan tinggi. Aplikasi EdLink saat ini memiliki rating 3,7 di Google Play Store. Banyak pengguna mengeluhkan berbagai aspek, seperti fitur yang kurang lengkap, pelayanan, dan kinerja. Dalam penelitian ini, digunakan analisis sentimen berbasis aspek untuk mengevaluasi aplikasi. Data ulasan yang digunakan adalah seluruh ulasan aplikasi EdLink di Google Play Store dari versi 1.1.6 hingga 4.7.8, dengan jumlah 2014 ulasan. Penelitian ini dilakukan dengan pemodelan topik Latent Dirichlet Allocation (LDA) dengan tujuan untuk menentukan aspek serta analisis sentimen menggunakan Support Vector Machine (SVM) dengan pendekatan Lexicon Based. Penelitian ini menghasilkan tiga aspek utama, yaitu Application Usability, Reliability, dan Performance Efficiency. Berdasarkan model LDA menghasilkan skor koherensi tertinggi 0,487 dan berdasarkan distribusi jumlah topik dan skor koherensi tertinggi dari num topic 1-10 adalah 3. Kemudian, labeling Lexicon Based menghasilkan 418 jumlah ulasan positif dan 1.223 ulasan negatif. Selanjutnya, klasifikasi SVM dengan rasio pembagian data 90:10 menghasilkan akurasi tertinggi 85,45% kemudian dilakukan resampling dengan hasil akurasi tertinggi 90,00% menggunakan SMOTE. Berdasarkan aspek dan sentimen dihasilkan 319 ulasan negatif dan 127 ulasan positif untuk aspek Usability, 482 ulasan negatif, dan 120 ulasan positif untuk aspek Reliability, serta 422 ulasan negatif dan 171 ulasan positif untuk aspek Performance Efficiency.

Downloads

Download data is not yet available.

References

L. Simanihuruk et al., “Implementasi, Strategi dan Inovasi E-Learning,” 2020.

D. Toresa, Pandu Pratama Putra, Bayu Febriadi, and Susi Handayani, “Pelatihan Dasar Jaringan Komputer Untuk Siswa Teknik Komputer Dan Jaringan (Tkj) Smk Migas Inovasi Riau,” J-COSCIS J. Comput. Sci. Community Serv., vol. 3, no. 1, pp. 27—32, 2023, doi: 10.31849/jcoscis.v3i1.10891.

A. R. Dikananda, H. B. Santoso, R. D. Dana, and D. Sudrajat, “E-Learning Usability Evaluation Menggunakan Fuzzy Logic dan Usulan Alternatif Desain Interaktif Learning Management System (LMS) Chamilo,” J. ICT Inf. Commun. Technol., vol. 18, no. 1, pp. 65—70, 2019, doi: 10.36054/jict-ikmi.v18i1.56.

R. Maula, “Cara Kerja Aplikasi Sevima edLink Sebagai Solusi Media Pembelajaran Di Masa Pandemi,” AL-Hikmah J. Stud. Islam, vol. 1, no. 4, pp. 108—115, 2020.

S. S. Meilindha, “Efektivitas Penggunaan Aplikasi Sevima Edlink Dalam Proses Pembelajaran Pada Mahasiswa Prodi Pai Ftik Iain Langsa (Studi Kasus Pada Mahasiswa Prodi Pai Ftik Iain di Desa Meurandeh, Kec. Langsa Lama, Kota Langsa, Provinsi Aceh).” J. Pendidikan, A. Islam, F. Tarbiyah, and I. Keguruan

R. Potharaju, M. Rahman, and B. Carbunar, “A Longitudinal Study of Google Play,” IEEE Trans. Comput. Soc. Syst., vol. 4, no. 3, pp. 135—149, 2017, doi: 10.1109/TCSS.2017.2732167.

A. I. Tanggraeni and M. N. N. Sitokdana, “Analisis Sentimen Aplikasi E-Government pada Google Play Menggunakan Algoritma NaÃ¯ve Bayes,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 9, no. 2, pp. 785—795, 2022, doi: 10.35957/jatisi.v9i2.1835.

R. Wahyudi and G. Kusumawardana, “Analisis Sentimen pada Aplikasi Grab di Google Play Store Menggunakan Support Vector Machine,” J. Inform., vol. 8, no. 2, pp. 200—207, 2021, doi: 10.31294/ji.v8i2.9681.

V. No, J. Hal, D. Toresa, I. Hidayat, R. Muzawi, and F. Yanto, “Perbandingan Algoritma C4 . 5 Dan NaÃ¯ve Bayes Untuk Mengukur Tingkat Kepuasan Mahasiswa Dalam Penggunaan Edlink,” vol. 5, no. 3, pp. 250—256, 2023.

L. B. Ilmawan and M. A. Mude, “Perbandingan Metode Klasifikasi Support Vector Machine dan NaÃ¯ve Bayes untuk Analisis Sentimen pada Ulasan Tekstual di Google Play Store,” Ilk. J. Ilm., vol. 12, no. 2, pp. 154—161, 2020, doi: 10.33096/ilkom.v12i2.597.154-161.

N. Herlinawati, Y. Yuliani, S. Faizah, W. Gata, and S. Samudi, “Analisis Sentimen Zoom Cloud Meetings di Play Store Menggunakan NaÃ¯ve Bayes dan Support Vector Machine,” CESS (Journal Comput. Eng. Syst. Sci., vol. 5, no. 2, p. 293, 2020, doi: 10.24114/cess.v5i2.18186.

S. Roiqoh and B. Zaman, “Analisis Sentimen Berbasis Aspek Ulasan Aplikasi Mobile JKN dengan Lexicon Based dan NaÃ¯ve Bayes,” vol. 7, pp. 1582—1592, 2023, doi: 10.30865/mib.v7i3.6194.

D. A. Agustina, S. Subanti, and E. Zukhronah, “Implementasi Text Mining Pada Analisis Sentimen Pengguna Twitter Terhadap Marketplace di Indonesia Menggunakan Algoritma Support Vector Machine,” Indones. J. Appl. Stat., vol. 3, no. 2, p. 109, 2021, doi: 10.13057/ijas.v3i2.44337.

T. Pawar, P. Kalra, and D. Mehrotra, “Analysis of Sentiments for Sports data using RapidMiner,” Proc. 2nd Int. Conf. Green Comput. Internet Things, ICGCIoT 2018, pp. 625—628, 2018, doi: 10.1109/ICGCIoT.2018.8752989.

R. Mahendrajaya, G. A. Buntoro, and M. B. Setyawan, “Analisis Sentimen Cyberbullying pada Komentar Instagram dengan Metode SVM,” J. Tek. Univ. Muhammadiyah Ponorogo, vol. 3, no. 2, pp. 52—63, 2019, [Online].

D. Musfiroh, U. Khaira, P. E. P. Utomo, and T. Suratno, “Analisis Sentimen terhadap Perkuliahan Daring di Indonesia dari Twitter Dataset Menggunakan InSet Lexicon,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 1, no. 1, pp. 24—33, 2021, doi: 10.57152/malcom.v1i1.20.

A. W. Nila Andriani, “Implementasi Text Mining Klasifikasi Topik Tugas Akhir Mahasiswa Teknik Informatika Menggunakan Pembobotan TF-IDF dan Metode Cosine Similarity Berbasis Web,” Senamika, no. September, pp. 130—137, 2021.

R. Ubaidillah, M. Muliadi, D. T. Nugrahadi, M. R. Faisal, and R. Herteno, “Implementasi XGBoost Pada Keseimbangan Liver Patient Dataset dengan SMOTE dan Hyperparameter Tuning Bayesian Search,” J. Media Inform. Budidarma, vol. 6, no. 3, p. 1723, 2022, doi: 10.30865/mib.v6i3.4146.

Y. T. Pratama, F. A. Bachtiar, and N. Y. Setiawan, “Pariwisata Pantai Malang Selatan Menggunakan Tf-Idf Dan Support Vector Machine,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 12, pp. 6244—6252, 2018, [Online]. Available: http://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/3556

H. T. Nguyen and L. T. Nguyen, “ROC Curve Analysis for Classification of Road Defects.,” BRAIN Broad Res. Artif. Intell. Neurosci., vol. 10, no. 2, pp. 65—73, 2019.