Analisis Sentimen Ulasan Review Aplikasi MyTelkomsel, IndosatM3 dan MyXl di Google Play Store Menggunakan Metode Bert
Abstract
Aplikasi seluler dari penyedia layanan telekomunikasi, seperti MyTelkomsel, IndosatM3, dan MyXL, semakin penting dalam kehidupan sehari-hari konsumen. Pengguna sering meninggalkan ulasan dan penilaian di platform seperti Google PlayStore, yang dapat menjadi sumber informasi berharga bagi perusahaan untuk meningkatkan kualitas layanan. Penelitian ini bertujuan untuk melakukan analisis sentimen terhadap ulasan pengguna aplikasi MyTelkomsel, IndosatM3, dan MyXL di Google PlayStore menggunakan BERT. Penelitian ini dilakukan untuk analisa sentimen terhadap aplikasi MyTelkomsel, IndosatM3 dan MyXl di Google Play Store. Data review komentar diambil dari fitur komentar yang ada di Google Play Store menggunakan teknik scrapping. Data yang digunakan berjumlah 600 records. Hasil dari analisa sentimen dapat dimanfaatkan untuk melihat respon pengguna MyTelkomsel, IndosatM3 dan MyXl lalu pengembang bisa memaksimalkan fitur yang dirasa kurang oleh pengguna. Model dan metode yang digunakan adalah model pre- trained BERT. Dalam penelitian ini, kami mengumpulkan data ulasan dari ketiga aplikasi tersebut dan mengklasifikasikannya ke dalam tiga kategori sentimen utama: positif, negatif, dan netral. Model BERT dilatih untuk mengenali pola dalam ulasan tersebut dan mengklasifikasikan sentimen dengan akurasi yang tinggi. Aplikasi seluler dari penyedia layanan telekomunikasi, seperti MyTelkomsel, IndosatM3, dan MyXL, semakin penting dalam kehidupan sehari-hari konsumen. Pengguna sering meninggalkan ulasan dan penilaian di platform seperti Google PlayStore, yang dapat menjadi sumber informasi berharga bagi perusahaan untuk meningkatkan kualitas layanan. Penelitian ini bertujuan untuk melakukan analisis sentimen terhadap ulasan pengguna aplikasi MyTelkomsel, IndosatM3, dan MyXL di Google PlayStore menggunakan BERT.
Penelitian ini dilakukan untuk analisa sentimen terhadap aplikasi MyTelkomsel, IndosatM3 dan MyXl di Google Play Store. Data review komentar diambil dari fitur komentar yang ada di Google Play Store menggunakan teknik scrapping. Data yang digunakan berjumlah 600 records. Hasil dari analisa sentimen dapat dimanfaatkan untuk melihat respon pengguna MyTelkomsel, IndosatM3 dan MyXl lalu pengembang bisa memaksimalkan fitur yang dirasa kurang oleh pengguna. Model dan metode yang digunakan adalah model pre- trained BERT. Dalam penelitian ini, kami mengumpulkan data ulasan dari ketiga aplikasi tersebut dan mengklasifikasikannya ke dalam tiga kategori sentimen utama: positif, negatif, dan netral. Model BERT dilatih untuk mengenali pola dalam ulasan tersebut dan mengklasifikasikan sentimen dengan akurasi yang tinggi.
References
[2] APJII, "Indonesia Digital Outlook 2022," Asosiasi Penyelengara Jasa Internet Indonesia, Jakarta, 2022.
[3] Opensignal, "Laporan Pengalaman Jariangan Seluler Indonesia," Opensignal Limited, 2022.
[4] J. Waring, "Axiata, XL take stake in Indonesia ISP," 23 Juni 2022. [Online]. Available: https://www.mobileworldlive.com/asia/asia-news/axiata-xl-take-stake-in-indonesia-isp/.
[5] F. Wahid, “Metodologi Penelitian Sistem Informasi : Sebuah Gambaran Umum,” Media Inform, vol. 2, no. 1, pp. 69-81, 2004.
[6] J. Sarwono, Metode Penelitian Kuantitatif dan Kualitatif, Yogyakarta: Graha Ilmu, 2006.
[7] N. I. A. Rahmadhan, "Skripsi Evaluasi Kepuasan Pengguna Office Automation System Menggunakan model end-user Computing Satisfaction pada Kementrian Badan Usaha Milik Negara," 2019.
[8] H. F. Tapikab, B. S. Djahi dan T. Widiastuti, “Klasifikasi Spam E-mail Menggunakan Metode Transformed Complement Naïve Bayes (TCNB),” J-ICON : J. Komputer dan Informatika, , vol. 7, no. 1, pp. 21-26, 2019.
[9] Y. A. Singgalen, "Pemilihan Metode dan Algoritma dalam Analisis Sentimen di Media Sosial : Sistematic Literature Review," Jurnal of Information System and Informatics, vol. 3, no. 2, pp. 278-302, 2021.
[10] A. F. Shabily, P. P. Adikara and M. A. Fauzi, "Analisis Sentimen Pemilihan Presiden 2019 pada Twitter menggunakan metode Maximum Entropy," Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 3, no. 5, pp. 4204-4209, 2019.
[11] E. M. Sipayung, H. Maharani dan I. Zefanya, “Perancangan Sistem Analisis Sentimen Komentar Pelanggan Menggunakan Metode Naive Bayes Classifier,” Jurnal Sistem Informasi (JSI), vol. 8, no. 2, pp. 958 - 965, 2016.
[12] F. Ratnawati, “Implementasi Algoritma Naive Bayes Terhadap Analisis Sentimen Opini Film pada Twitter,” Jurnal Inovtek Polbeng, vol. 3, no. 1, pp. 50-60, 2018.
[13] K. V. S. Toy, Y. A. Sari and I. Cholissodin, "Analisis Sentimen Twitter menggunakan Metode Naive Bayes dengan Relevance Frequency Feature Selection," Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 5, no. 11, pp. 5068-5074, 2021.
[14] F. K. Sutrisno, Jondri and K. M. Lhaksmana, "Analisis Sentimen Destinasi Wisata Kuliner di Twitter Menggunakan TF-IDF dan Complement Naive Bayes pada Dataset Tidak Seimbang," in Proceeding of Engineering, 2021.
[15] D. H. Wahid and S. N. Azhari, "Peringkasan Sentimen Esktraktif di Twitter Menggunakan Hybrid TF-IDF dan Cosine Similarity," IJCCS : Indonesian Journal of Computing and Cybernetics Systems, vol. 10, no. 2, pp. 207-218, 2016.
[16] J. M. B. Sembiring and Hendry, "Naive Bayes Algorithm Classification in Sentimen Analysis Covid-19 Wikipedia," Jutif : Jurnal Teknik Informatika, vol. 3, no. 4, pp. 869-875, 2022.
[17] B. S. Rintyarna, "Sentiment Analysis pada Data Twitter dengan Pendekatan Naive Bayes Multinomial," Justindo : Jurnal Sistem dan Teknologi Informasi Indonesia, vol. 2, no. 1, 2017.
[18] H. Aulawi, W. A. Kurniawan and A. S. Azhar, "Analisis Sentimen Terhadap Layanan INDOSAT pada Media Sosial Twitter Selama Pandemi".
[19] M. Haerunnissa, A. Priyanto, C. Asnawi and N. A. Sa'diya, "Analisis Sentimen Kepuasan Pelanggan Perusahaan Telekomunikasi Seluler Telkomsel di Twitter".
[20] N. Putu, V. D. Saraswati, N. Yudistira and P. P. Adikara, "Analisis Sentimen terhadap Perundungan Siber pada Twitter menggunakan Algoritma Bidirectional Encoder Representations from Transformer (BERT)," 2023.
[21] A. Aljabar, B. M. Karomah, K. Kunci dan :. Bert, “Mengungkap Opini Publik: Pendekatan BERT-based-caused untuk Analisis Sentimen pada Komentar Film,” 2024.
[22] F. N. Zuhri, A. Alamsyah and S. Si, "ANALISIS SENTIMEN MASYARAKAT TERHADAP BRAND SMARTFREN MENGGUNAKAN NAIVE BAYES CLASSIFIER DI FORUM KASKUS PUBLIC SENTIMENT ANALYSIS OF SMARTFREN BRAND USING NAIVE BAYES CLASSIFIER ON KASKUS FORUM".
[23] A. Aljabar, B. M. Karomah, K. Kunci dan :. Bert, “Mengungkap Opini Publik: Pendekatan BERT-based-caused untuk Analisis Sentimen pada Komentar Film,” 2024.
[24] V. Chandradev, I. Made, A. Dwi Suarjaya, I. Putu dan A. Bayupati, “Chandradev, Analisis Sentimen Review Hotel menggunakan Metode Deep Learning BERT 107 Analisis Sentimen Review Hotel Menggunakan Metode Deep Learning BERT”.
[25] J. Devlin, M.-W. Chang, K. Lee, K. T. Google dan A. I. Language, “BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding”.
[26] M. Haerunnissa, A. Priyanto, C. Asnawi dan N. A. Sa'diya, “Analisis Sentimen Kepuasan Pelanggan Perusahaan Telekomunikasi Seluler Telkomsel di Twitter”.
[27] N. Putu, V. D. Saraswati, N. Yudistira dan P. P. Adikara, “Analisis Sentimen terhadap Perundungan Siber pada Twitter menggunakan Algoritma Bidirectional Encoder Representations from Transformer (BERT),” 2023.
[29] D. Wulandari, “Mix.co.id,” 14 September 2021. [Online]. Available: https://mix.co.id/indonesia-most-engaged-brand/telkomsel-the-most-engaged-internet-service-provider-brand-2021-mobile-broadband-internet-category/.
[30] G. G. S. Putra, W. Swastika dan P. L. T. Irawan, “Perbandingan Particle Swarm Optimization dengan Genetic Algorithm dalam Feature Selection untuk Analisis Sentimen pada Permendikbudristek PPKS-LPT,” JEPIN, vol. 8, no. 3, pp. 412-421, 2022.
Copyright (c) 2025 Dybio Dompu Hot Asih, Lindung Parningotan Manik
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
