Library Automation and Digital Archive
LONTAR
Fakultas Ilmu Komputer
Universitas Indonesia

Pencarian Sederhana

Find Similar Add to Favorite

Call Number KA-1846 (Softcopy KA-1835) MAK KA-1482
Collection Type Karya Akhir (KA)
Title Analisis Sentimen Berbasis Aspek Dan Pemodelan Topik Untuk Evaluasi Layanan : Studi Kasus Museum Nasional Indonesia
Author Jayadi Butar Butar;
Publisher Jakarta : Program Studi Magister Teknologi Informasi Fasilkom UI, 2024
Subject Sentiment Analysis
Location FASILKOM-UI;
Lokasi : Perpustakaan Fakultas Ilmu Komputer
Nomor Panggil ID Koleksi Status
KA-1846 (Softcopy KA-1835) MAK KA-1482 Indonesia TERSEDIA
Tidak ada review pada koleksi ini: 55489
Pengelola Museum Nasional Indonesia secara rutin melakukan survei kepuasan publik menggunakan instrumen survei yang diadaptasi dari Service Quality (SERVQUAL). Namun, pengelola museum nasional menghadapi sejumlah tantangan dalam menilai kepuasan publik melalui metode survei tradisional. Untuk itu, penelitian ini bertujuan untuk mengetahui kepuasan dan keluhan pengunjung menggunakan analisis sentimen berbasis aspek dan pemodelan topik pada ulasan Museum Nasional Indonesia di Google Maps. Enam pendekatan machine learning klasik, yaitu Naïve Bayes, Logistic Regression, Decision Tree, Random Forest, Support Vector Machine, dan Extreme Gradient Boosting (XGBoost), digunakan untuk analisis sentimen dengan ekstraksi fitur BoW dan TF-IDF. Penelitian ini menggunakan sejumlah metode pra-pemrosesan data, termasuk penghapusan stopwords, penggunaan stemming dan emoji processing, serta metode sampling SMOTE dan ROS pada data latih yang mengalami ketidakseimbangan kelas. Lima aspek yang digunakan dalam analisis ini berasal dari lima dimensi SERVQUAL: keberwujudan (tangibility), keandalan (reliability), daya tanggap (responsiveness), jaminan (assurance), dan empati (empathy). Evaluasi kinerja model dilakukan dengan membandingkan skor F1 pada eksperimen yang berbeda untuk menentukan skenario terbaik. Setelahnya dilanjutkan dengan pemodelan topik menggunakan metode Latent Dirichlet Allocation (LDA) yang dievaluasi berdasarkan coherence score. Hasil penelitian menunjukkan bahwa XGBoost dengan TF-IDF dan metode resampling SMOTE adalah model dengan kinerja terbaik di semua skenario dengan rata-rata F1-scores antara 89.5% hingga 90.2%. Pemodelan topik LDA menemukan ulasan positif mencakup kenyamanan, kebersihan, harga tiket terjangkau, akses mudah, staf ramah, dan respons cepat. Ulasan negatif mencakup masalah parkir, pencahayaan, koleksi kurang lengkap, teguran petugas keamanan, informasi koleksi kurang, jumlah petugas kurang, dan penutupan layanan tak diketahui.
Latest Collection
Favorite