Analisis Sentimen Berbasis Aspek Pada Ulasan Aplikasi Indrive Menggunakan Bidirectional Encoder Representations From Transformers (Bert)
Abstract
Ekonomi digital di Indonesia turut disumbangkan oleh bisnis transportasi online. Salah satu pendatang baru pada bisnis transportasi online ini adalah inDrive. Rating ulasan dari google play store tidak cukup untuk menggambarkan kualitas sebuah aplikasi, oleh karena itu diperlukannya Analisis Sentimen Berbasis Aspek (ABSA) yang pada dasarnya dapat mengidentifikasi aspek dan mengidentifikasi sentimen dari aspek tersebut. Dengan pendekatan LDA (Latent Dirichlet Allocation) didapatkan 3 aspek utama yang ada pada dataaset periode Januari hingga Juli yaitu fitur lelang, sistem aplikasi, tarif & layanan transportasi. Kelebihan fitur lelang mencakup kemudahan pengguna dalam. Implementasi model ABSA menggunakan IndoBERT, dan hasil uji validasi dengan 100 data ulasan baru menunjukkan keberhasilan dengan akurasi 92% untuk pengujian aspek dan 84% untuk pengujian sentimen.
References
Astutik, D. K. A., Indrasetianingsih, A., & Fitriani, F. (n.d.). Penerapan Text Mining pada Analisis Sentimen Pengguna Twitter Layanan Transportasi Online Menggunakan Metode Density Based Spatial Clustering of Applications with Noise (DBSCAN) dan K-Means. J Statistika, 5(1), 184 - 194. https://doi.org/10.36456/jstat.vol15.no1.a5983
Classification? Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 11856 LNAI(2), 194–206. https://doi.org/10.1007/978-3-030-32381-3_16
Devlin, J., Chang, M. W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, 1, 4171-4186. 10.18653/v1/N19-1423
Dwianto, E., & Sadikin, M. (2021). Analisis Sentimen Transportasi Online pada Twitter Menggunakan Metode Klasifikasi Naïve Bayes dan Support Vector Machine. Jurnal Format, 10(1).
Google & Temasek. (2022). e-Conomy SEA 2022: Unlocking the $1 trillion digital opportunity in Southeast Asia. https://www.temasek.com.sg/content/dam/temasek-corporate/news-and-views/resources/reports/e_Conomy_SEA_2022_report.pdf
InDriver: Layanan Transportasi Online Baru Saingan Grab dan Gojek di Indonesia. (2022, January 15). Onlinejek. Retrieved May 26, 2023, from https://onlinejek.com/indriver-layanan-transportasi-online/
Liang, X., Wu, L., Li, J., Wang, Y., Meng, Q., Qin, T., Chen, W., Zhang, M., & Liu, T.-Y. (2021). R-Drop: Regularized Dropout for Neural Networks. NeurIPS, 1–21. http://arxiv.org/abs/2106.14448
Said, F., & Manik, L. P. (2022, 9). Aspect-Based Sentiment Analysis on Indonesian Presidential Election Using Deep Learning. PARADIGMA Journal of Computer Science and Informatics, 24(2), 160-167. https://doi.org/10.31294/paradigma.v24i2.1415
Sun, C., Qiu, X., Xu, Y., & Huang, X. (2019). How to Fine-Tune BERT for Text
