PEMODELAN TOPIK PERMASALAHAN PADA ULASAN NEGATIF APLIKASI JENIUS MENGGUNAKAN BERTOPIC

IKHLAS, MUHAMMAD ABDANUL (2025) PEMODELAN TOPIK PERMASALAHAN PADA ULASAN NEGATIF APLIKASI JENIUS MENGGUNAKAN BERTOPIC. Skripsi thesis, UPN Veteran Yogyakarta.

	Text Abstrak_123210009_Muhammad Abdanul Ikhlas.pdf Download (132kB)
	Text Cover_123210009_Muhammad Abdanul Ikhlas.pdf Download (113kB)
	Text Daftar Isi_123210009_Muhammad Abdanul Ikhlas.pdf Download (150kB)
	Text Daftar Pustaka_123210009_Muhammad Abdanul Ikhlas.pdf Download (142kB)
	Text Naskah Skripsi_Muhammad Abdanul Ikhlas_123210009.pdf Restricted to Repository staff only Download (7MB)
	Text Pengesahan Pembimbing_123210009_Muhammad Abdanul Ikhlas.pdf Download (154kB)
	Text Pengesahan Penguji_123210009_Muhammad Abdanul Ikhlas.pdf Download (180kB)

Abstract

ABSTRAK
Pesatnya pertumbuhan aplikasi keuangan digital turut mendorong meningkatnya
ekspektasi pengguna terhadap performa dan kualitas layanan yang diberikan. Salah satu bentuk
ekspresi ketidakpuasan dari pengguna dapat ditemukan melalui ulasan negatif yang
diungkapkan pada platform Google Play Store. Banyaknya jumlah ulasan membuat proses
identifikasi isu jika dilakukan secara manual akan menyita banyak waktu. Oleh karena itu,
penelitian ini berfokus pada pemodelan topik terhadap ulasan negatif aplikasi Jenius untuk
mengungkap isu permasalahan yang dominan, dengan pendekatan otomatis yang dapat
meminimalkan intervensi manual. Penelitian dilakukan dalam dua scenario, pertama
menggunakan keseluruhan data ulasan negatif yang dikumpulkan melalui teknik scraping pada
Juni 2025, dengan total sebanyak 100.383 ulasan untuk mengetahui isu permasalahan yang
paling sering dibahas. Skenario kedua dilakukan untuk keperluan perbandingan dengan
penelitian sebelumnya yang menggunakan pendekatan Latent Dirichlet Allocation (LDA)
dengan dataset yang sama berjumlah 8.194 ulasan dari periode Januari 2023 hingga Januari
2024. Proses pemodelan dilakukan menggunakan algoritma BERTopic, yang terdiri dari
beberapa tahapan yakni embedding menggunakan Sentence Transformer, reduksi dimensi
dengan UMAP, clustering menggunakan HDBSCAN, serta ekstraksi kata kunci melalui Count
Vectorizer dan c-TFIDF. Seluruh hasil pemodelan diinterpretasikan secara otomatis dengan
memanfaatkan API dari OpenAI agar topik yang telah dimodelkan dapat lebih mudah
dipahami. Hasil dari pemodelan topik pada skenario pertama menunjukkan keberhasilan dalam
membentuk 29 topik, dengan nilai rata-rata coherence score sebesar 76.5% dan topic diversity
sebesar 91%. Isu permasalahan yang paling sering dibahas berkaitan dengan permasalahan
input pin. Sementara itu, pada skenario kedua membentuk 9 topik dengan coherence score
sebesar 83% dan topic diversity sebesar 97% serta topik-topik yang dihasilkan lebih jelas,
spesifik, dan mudah dipahami jika dibandingkan dengan interpretasi manual yang digunakan
dalam pendekatan LDA pada penelitian sebelumnya.
Kata Kunci: Pemodelan Topik , BERTopic, Interpretasi Topik Otomatis, OpenAI API

Item Type:	Tugas Akhir (Skripsi)
Uncontrolled Keywords:	Pemodelan Topik , BERTopic, Interpretasi Topik Otomatis, OpenAI API
Subjek:	Z Bibliography. Library Science. Information Resources > ZA Information resources
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Eko Yuli
Date Deposited:	23 Oct 2025 01:26
Last Modified:	23 Oct 2025 01:26
URI:	http://eprints.upnyk.ac.id/id/eprint/44827

Actions (login required)

View Item