Detail Cantuman

ANALISIS SENTIMEN DAN PEMODELAN TOPIK PADA APLIKASI MYPERTAMINA MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM) DAN LATENT DIRECHLET ALLOCATION (LDA)

EVLYN ANGELICA / 162021047 - Personal Name
120160503 - Nur Fitrianti Fahrudin, S.Kom., M.T. - Personal Name
Text English 2025 Sistem Informasi : FTI

MyPertamina merupakan aplikasi digital yang digunakan masyarakat untuk mempermudah pembelian bahan bakar bersubsidi. Ulasan pengguna di Google Play Store mencerminkan persepsi dan pengalaman mereka selama menggunakan aplikasi tersebut. Penelitian ini bertujuan untuk menganalisis sentimen pengguna serta mengidentifikasi topik utama dalam ulasan dengan menerapkan pendekatan Knowledge Discovery in Databases (KDD). Klasifikasi sentimen dilakukan menggunakan algoritma Support Vector Machine (SVM), sedangkan identifikasi topik dilakukan dengan metode Latent Dirichlet Allocation (LDA). Dataset yang digunakan terdiri dari 8.331 ulasan yang telah melalui tahap prapemrosesan. Hasil penelitian menunjukkan bahwa model SVM dengan pelabelan berbasis leksikon InSet, setelah dilakukan 100-fold cross-validation, menghasilkan akurasi rata-rata sebesar 94,56% untuk InSet dan 94,67% untuk TextBlob. Pemodelan topik dengan LDA mengungkap beberapa tema utama, termasuk permasalahan teknis, proses transaksi, dan kepuasan layanan. Integrasi metode SVM dan LDA memberikan pemahaman yang komprehensif terhadap umpan balik pengguna serta menyoroti isu-isu penting yang perlu diperhatikan oleh pengembang aplikasi.

MyPertamina is a digital application used by the public to facilitate the purchase of subsidized fuel. User reviews on the Google Play Store reflect their perceptions and experiences while using the app. This study aims to analyze user sentiment and identify key topics within the reviews by applying the Knowledge Discovery in Databases (KDD) approach. Sentiment classification was carried out using the Support Vector Machine (SVM) algorithm, while topic identification was performed using the Latent Dirichlet Allocation (LDA) method. The dataset consists of 8,331 reviews that underwent preprocessing stages. The results show that the SVM model, when combined with InSet lexicon-based labeling, after conducting 100-fold cross-validation, the average accuracy was 94.56% for InSet and 94.67% for TextBlob. Topic modeling using LDA revealed several key themes, including technical issues, transaction processes, and service satisfaction. The integration of SVM and LDA methods provides a comprehensive understanding of user feedback and highlights critical issues that developers should address

Ketersediaan

LOADING LIST...

Lampiran Berkas

LOADING LIST...

Detail Information

Bagian	Informasi
Pengarang	EVLYN ANGELICA / 162021047 - Personal Name 120160503 - Nur Fitrianti Fahrudin, S.Kom., M.T. - Personal Name
No. Panggil	096IS/25
Subyek	KDD, LDA, MyPertamina, Sentiemen Analisis, SVM KDD, Latent Dirichlet Allocation, MyPertamina, Sen Sentiment Analysis, Support Vector Machine
Fakultas	FTI
Tahun Terbit	2025
Jurusan	Sistem Informasi
Deskripsi Fisik
Info Detil Spesifik

Citation

APA Style

. (2025).ANALISIS SENTIMEN DAN PEMODELAN TOPIK PADA APLIKASI MYPERTAMINA MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM) DAN LATENT DIRECHLET ALLOCATION (LDA)().Sistem Informasi:FTI

Chicago Style

.ANALISIS SENTIMEN DAN PEMODELAN TOPIK PADA APLIKASI MYPERTAMINA MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM) DAN LATENT DIRECHLET ALLOCATION (LDA)().Sistem Informasi:FTI,2025.Text

MLA Style

.ANALISIS SENTIMEN DAN PEMODELAN TOPIK PADA APLIKASI MYPERTAMINA MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM) DAN LATENT DIRECHLET ALLOCATION (LDA)().Sistem Informasi:FTI,2025.Text

Turabian Style

.ANALISIS SENTIMEN DAN PEMODELAN TOPIK PADA APLIKASI MYPERTAMINA MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM) DAN LATENT DIRECHLET ALLOCATION (LDA)().Sistem Informasi:FTI,2025.Text

Detail Cantuman

ANALISIS SENTIMEN DAN PEMODELAN TOPIK PADA APLIKASI MYPERTAMINA MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM) DAN LATENT DIRECHLET ALLOCATION (LDA)

Detail Information

Citation

Homepage Info

Koleksi

Media Sosial / Kanal

Address