ANALISIS SENTIMEN REVIEW PENGGUNA TERHADAP APLIKASI RUANG GURU PADA PLAY STORE MENGGUNAKAN ALGORITMA BERT DENGAN METODE NLP

Yudharistya, Romansa (2025) ANALISIS SENTIMEN REVIEW PENGGUNA TERHADAP APLIKASI RUANG GURU PADA PLAY STORE MENGGUNAKAN ALGORITMA BERT DENGAN METODE NLP. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER - ABSTRAK) COVER.pdf - Published Version Download (1MB)
	Text (BAB I) BAB I.pdf - Published Version Download (214kB)
	Text (BAB II) BAB II.pdf - Published Version Restricted to Registered users only Download (551kB)
	Text (BAB III) BAB III.pdf - Published Version Restricted to Registered users only Download (540kB)
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Registered users only Download (952kB)
	Text (BAB V) BAB V.pdf - Published Version Download (48kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf - Published Version Restricted to Registered users only Download (237kB)
	Archive (SOURCE CODE) Sourcecode - 20.11.3395.zip Restricted to Repository staff only Download (1MB)
	Text (PUBLIKASI) Publikasi.pdf - Published Version Restricted to Repository staff only Download (927kB)

Abstract

Ruangguru merupakan perusahaan teknologi terbesar di Indonesia yang berfokus pada layanan berbasis pendidikan. Ruangguru telah memiliki lebih dari 22.000.000 pengguna baik didalam App Store maupun Play Store serta mengelola lebih dari 300.000 guru yang menawarkan jasa lebih dari 100 bidang pelajaran. Ruangguru telah dipercaya untuk bermitra dengan 32 Pemerintah Provinsi dan 326 Pemerintah Kota dan Kabupaten di Indonesia. Sehubungan dengan kepopuleran aplikasi Ruangguru beragam reaksi dan tanggapan positif maupun negatif dari pengguna(masyarakat). Tanggapan ini pun dilontarkan baik didalam situs Ruangguru dan Play Store atau App Store. Maka dari itu perlu dilakukan analisis customer review pada aplikasi Ruangguru pada Play Store untuk mengukur bagaimana respon masyarakat terhadap Ruangguru. Algoritma untuk penelitian ini menggunakan BERT dengan metode NLP, dengan klasifikasi sentimen positif, netral, dan negatif. Dengan dataset awal sebanyak 5001 data dan setelah di balancing menjadi 8493 data, rasio pembagian 80:10:10 untuk latih, validasi, dan uji, serta hyperparameter batch size 32, optimizer AdamW dengan learning rate 2e-6, dan 20 epoch. Hasil penelitian ini dengan model BERT menghasilkan akurasi sebesar 91%. Model BERT dalam mengklasifikasikan menunjukkan precision, recall, dan F1-score rata-rata makro sebesar 0.91. Kinerja untuk kelas negatif dan netral kuat, dengan precision dan recall masing-masing di atas 88%, sementara kelas positif memiliki precision tinggi (94%) tetapi recall lebih rendah (85%), menunjukkan beberapa sampel positif tidak terdeteksi.

Actions (login required)

View Item