<mods:mods version="3.3" xsi:schemaLocation="http://www.loc.gov/mods/v3 http://www.loc.gov/standards/mods/v3/mods-3-3.xsd" xmlns:mods="http://www.loc.gov/mods/v3" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"><mods:titleInfo><mods:title>ANALISIS SENTIMEN REVIEW PENGGUNA TERHADAP&#13;
APLIKASI RUANG GURU PADA PLAY STORE &#13;
MENGGUNAKAN ALGORITMA BERT DENGAN METODE&#13;
NLP</mods:title></mods:titleInfo><mods:name type="personal"><mods:namePart type="given">Romansa</mods:namePart><mods:namePart type="family">Yudharistya</mods:namePart><mods:role><mods:roleTerm type="text">author</mods:roleTerm></mods:role></mods:name><mods:abstract>Ruangguru merupakan perusahaan teknologi terbesar di Indonesia yang&#13;
berfokus pada layanan berbasis pendidikan. Ruangguru telah memiliki lebih dari&#13;
22.000.000 pengguna baik didalam App Store maupun Play Store serta mengelola&#13;
lebih dari 300.000 guru yang menawarkan jasa lebih dari 100 bidang pelajaran.&#13;
Ruangguru telah dipercaya untuk bermitra dengan 32 Pemerintah Provinsi dan 326&#13;
Pemerintah Kota dan Kabupaten di Indonesia. Sehubungan dengan kepopuleran&#13;
aplikasi Ruangguru beragam reaksi dan tanggapan positif maupun negatif dari&#13;
pengguna(masyarakat). Tanggapan ini pun dilontarkan baik didalam situs&#13;
Ruangguru dan Play Store atau App Store. Maka dari itu perlu dilakukan analisis&#13;
customer review pada aplikasi Ruangguru pada Play Store untuk mengukur&#13;
bagaimana respon masyarakat terhadap Ruangguru. Algoritma untuk penelitian ini&#13;
menggunakan BERT dengan metode NLP, dengan klasifikasi sentimen positif,&#13;
netral, dan negatif. Dengan dataset awal sebanyak 5001 data dan setelah di&#13;
balancing menjadi 8493 data, rasio pembagian 80:10:10 untuk latih, validasi, dan&#13;
uji, serta hyperparameter batch size 32, optimizer AdamW dengan learning rate&#13;
2e-6, dan 20 epoch. Hasil penelitian ini dengan model BERT menghasilkan akurasi&#13;
sebesar 91%. Model BERT dalam mengklasifikasikan menunjukkan precision,&#13;
recall, dan F1-score rata-rata makro sebesar 0.91. Kinerja untuk kelas negatif dan&#13;
netral kuat, dengan precision dan recall masing-masing di atas 88%, sementara&#13;
kelas positif memiliki precision tinggi (94%) tetapi recall lebih rendah (85%),&#13;
menunjukkan beberapa sampel positif tidak terdeteksi.</mods:abstract><mods:classification authority="lcc">000 Ilmu komputer, informasi dan pekerjaan umum</mods:classification><mods:classification authority="lcc">006 Metode komputer khusus</mods:classification><mods:originInfo><mods:dateIssued encoding="iso8061">2025-08-11</mods:dateIssued></mods:originInfo><mods:originInfo><mods:publisher>Universitas AMIKOM Yogyakarta;Fakultas Ilmu Komputer</mods:publisher></mods:originInfo><mods:genre>Thesis</mods:genre></mods:mods>