Analisis Sentimen Dan Pemodelan Topik Terhadap Aplikasi Pembelajaran Online Pada Platform Google Play (Studi Kasus: Quipper)
:
https://doi.org/10.32409/jikstik.23.4.3663
Abstract
Kemajuan teknologi informasi dan komunikasi pada era Industri 4.0 telah mengubah metode pengajaran di berbagai lembaga, termasuk melalui aplikasi e-learning seperti Quipper. Quipper memanfaatkan teknologi untuk mendukung pembelajaran. Analisis sentimen ulasan pengguna di Google Play diperlukan untuk memahami persepsi pengguna terhadap aplikasi ini. Penelitian ini menggunakan algoritma K-Nearest Neighbor (KNN) untuk klasifikasi sentimen dan Latent Dirichlet Allocation (LDA) untuk identifikasi topik utama dalam ulasan. Algoritma KNN, dipilih karena kesederhanaannya dan akurasi tinggi, menghasilkan akurasi 84.68%, precision 86.40%, recall 85.87%, dan F1-score 86.09% dengan nilai K terbaik 14. Sebagian besar ulasan bersifat positif (55.1%), menunjukkan kepuasan pengguna terhadap Quipper. Analisis LDA mengidentifikasi topik utama dari ulasan positif dan negatif, yang mengungkap aspek-aspek spesifik yang perlu diperbaiki oleh Quipper untuk meningkatkan kepuasan pengguna.
Kata kunci: Analisis Sentimen, K-NN, LDA, Pemodelan Topik, dan Quipper
Downloads
References
A. J. A. Huraerah, A.W. Abdullah, dan A. Ri- vai, "Pengaruh teknologi informasi dan komu- nikasi terhadap pendidikan indonesia", Journal of Islamic Education Policy, vol.8, no. 2, hal. 134, https://doi.org/10.30984/jiep.v8i2.2715, 2024.
A. P. Pangestu, A. R. Aldiansyah, I. Mah- davikia, R. M. Nur'atsani, A. Nabilah, dan G. Santoso, "Uji Pengukuran Sistem Informasi E-Learning Polije Menggunakan Standar ISO 9126 Untuk Edukasi Pemula", Jurnal Pen- didikan Transformatif, vol. 2, No. 6, hal. 110- 119, https://doi.org/10.9000/jpt.v2i5.1189, 2023.
R. Alfiyatur, "Pengaruh Metode Blended Learning Berbasis Quipper School Terhadap Kemampuan Pemahaman Konsep Peserta Didik Ditinjau Dari Minat Belajar Pada Pem- belajaran Fisika", Doctoral dissertation, UIN Raden Intan Lampung, hal. 22-23, 2023.
E. Mahariyanti, and S. Hadi, "Efektivitas Penggunaan Blended Learning dengan Plat- form Quipper School terhadap Hasil Belajar Peserta Didik Mata Pelajaran Biologi Kelas XI MIPA di SMAN 2 SELONG", Jurnal Ilmiah Wahana Pendidikan, vol. 6, No. 4, hal. 911- 920, https://doi.org/10.5281/zenodo.4314057, 2020.
L. S. Kurniawan, "Penggunaan Aplikasi Quip- per School Dan E-ujian.com Sebagai Media Pembelajaran Dan Penilaian Pada Mata Pela- jaran Pendidikan Agama Islam Dan Budi Pekerti Di SMA Negeri 1 Majenang", Online Thesis, vol. 16, no. 2, hal. 6, 2022.
N. Faridhotun, E. Haerani, dan R. M. Candra, "Analisis Sentimen Ulasan Ap- likasi WeTV Untuk Peningkatan Layanan Menggunakan Metode K-Nearst Neigh- bor", Journal of Information System Re- search (JOSH), vol. 4, no. 3, hal.855-864, https://doi.org/10.47065/josh.v4i3.3349, 2023.
F. A. D. P. Febrianti, F. Hamami, dan R. Y. Fa'rifah, "Aspect-Based Sentiment Analysis Terhadap Ulasan Aplikasi Flip Menggunakan Pembobotan Term Frequency-Inverse Docu- ment Frequency (TF-IDF) Dengan Metode Klasifikasi K-Nearest Neighbors (K- NN)", Ju- rnal Indonesia: Manajemen Informatika dan Komunikasi, vol. 4, no. 3, hal. 1858-1873, https://doi.org/10.35870/jimik.v4i3.429, 2023.
J. C. Campbell, A. Hindle, and E. Strou- lia, "Latent dirichlet allocation: extracting topics from software engineering data", The Art and Science of Analyzing Software Data (pp. 139-159). DOI: 10.1016/B978-0-12- 411519-4.00006-9, 2015.
S. A. Putri, P. D. Kusuma, dan C. Setian- ingsih, "Clustering Topik Pada Data Sentimen BPJS Kesehatan Menggunakan Metode Laten Dirichlet Allocation", Jurnal E-Proceeding of Engineering, vol. 8, No. 5, hal. 6097-6105, 2021.Jurnal Ilmiah KOMPUTASI, Volume 23 No :4, Desember 2024, p-ISSN 1412-9434/e-ISSN 2549-7227477
W. Sriyanong, N.Moungmingsuk, and N. Khamphakdee, "A text preprocessing frame- work for text mining on big data infrastruc- ture", In 2018 2nd International Conference on Imaging, Signal Processing and Com- munication (ICISPC) IEEE, (pp. 169-173), DOI: 10.1109/ICISPC44900.2018.9006718. 2018.
V. Yolanda, R. Mas'ud, S. M. Hasanah, "Pengaruh Teknologi Keuangan dan Kualitas Layanan Digital Terhadap Kepuasan Nasabah Pada Bank Syariah Indonesia KCP Masbagik", journal.uinmataram, vol. 13, no. 1, hal. 63, https://doi.org/10.20414/iqtishaduna.v13i1.5373. 2022.
F. Amaliah dan Dwi Nuryana, "Perbandingan Akurasi Metode Lexicon Based Dan Naive Bayes Classifier Pada Analisis Sentimen Pendapat Masyarakat Terhadap Aplikasi Investasi Pada Media Twitter", Journal of In- formatics and Computer Science. vol. 3, no. 3, https://doi.org/10.26740/jinacs.v3n03.p384- 393. 2022. [13] S. Pradha, M. N. Halgamuge, and N. Tran Quoc Vinh, "Exective Text Data Preprocess- ing Technique for Sentiment Analysis in So- cial Media Data", 2019 11th International Con- ference on Knowledge and Systems Engineer- ing (KSE), Da Nang, Vietnam, 2019, pp. 1-8, DOI: 10.1109/KSE.2019.8919368. 2019.
J. A. Septian, T. M. Fachrudin, dan A. Nugroho, "Analisis Sentimen Pengguna Twitter Terhadap Polemik Persepakbo- laan Indonesia Menggunakan Pembobotan TF-IDF dan K-Nearest Neighbor", IN- SYST: Journal of Intelligent System and Computation, vol. 1, no. 1, hal. 43-49, https://doi.org/10.52985/insyst.v1i1.36. 2019.
M. R. A. Nasution dan M. Hayaty, "Perbandin- gan akurasi dan waktu proses algoritma K- NN dan SVM dalam analisis sentimen twit- ter", Journal Inform, vol. 6, no. 2, hal. 226-235, https://doi.org/10.31294/ji.v6i2.5129, 2019.
Liangjie Hong and Brian D. Davison, "Em- pirical study of topic modeling in Twit- ter", In Proceedings of the First Work- shop on Social Media Analytics (SOMA '10). Association for Computing Machin- ery, New York, NY, USA, pp. 80-88. https://doi.org/10.1145/1964858.1964870, 2010.
A. I. Alfanzar, "Topic Modelling Skripsi Menggunakan Metode Latent Dirich- let Allocation", Jurnal Sistem Infor- masi (JSiI). vol. 7, no. 1, hal. 7-13, https://doi.org/10.30656/jsii.v7i1.2036. 2019. [18] M. Röder, A. Both, and A. Hinneburg, "Exploring the Space of Topic Coherence Measures", Proceedings of the Eighth ACM International Conference on Web Search and Data Mining, Shanghai: Association for Computing Machinery, hal. 399-408, DOI:10.1145/2684822.2685324. 2015. [19] Y. Kalmukov, "Using word clouds for fast identification of papers' subject domain and reviewers' competences", Proceedings of Uni- versity of Ruse, vol. 60, book 3.2, hal. 114-119, https://doi.org/10.48550/arXiv.2112.14861. 2021
Downloads
Published
How to Cite
Issue
Section
Categories
Abstract View: 0 times
