Deployment Klasifikasi Sentimen Pada Ulasan Pengguna Aplikasi PLN Mobile Dengan Machine Learning
Artikel Sidebar
-
Deployment, Klasifikasi, Sentimen, Logistic regression, Gradio
Abstrak
PT. PLN menyediakan layanan pengaduan bagi pelanggan terkait masalah kelistrikan baik melalui social media maupun aplikasi mobile PLN di android. Dalam google playstore, mobile PLN mendapatkan ulasan pengguna berupa rating dan ulasan. Sentimen terhadap ulasan pengguna bertujuan untuk memahami konteks dari ulasan yang diberikan pengguna. Penelitian ini bertujuan untuk dapat melakukan klasifikasi sentimen pada ulasan pengguna tersebut dan melakukan proses deployment ke dalam user interface agar mudah digunakan. Metode yang digunakan yaitu mengumpulkan ulasan pengguna dengan web scraping lalu mengolahnya dengan TF-IDF dan klasifikasi dengan logistic regression dan naïve bayes. K-folds cross validation dengan k=5 dan metrik performa seperti akurasi dan f1-score digunakan untuk mengukur kinerja model. Model klasifikasi sentimen dengan naïve bayes menghasilkan tingkat akurasi sebesar 91%+2,42% dan f1-score sebesar 90,98%+2,44%. Model Naïve Bayes sedikit lebih baik dibandingkan dengan hasil model logistic regression dengan ingkat akurasi 87,9%+2,36% dan f1-score 87,87%+2,39%. Total misklasifikasi yang terjadi dengan model naïve bayes (17 kali) juga lebih sedikit terjadi dibandingkan dengan model logistic regression (22 kali). Deployment berhasil dilakukan dengan menggunakan Gradio user interface sederhana untuk melakukan trial dari model klasifikasi sentimen
Artikel teks lengkap
Referensi
[1] C. Gallagher, E. Furey, and K. Curran, “The application of sentiment analysis and text analytics to customer experience reviews to understand what customers are really saying,” Int. J. Data Warehous. Min., vol. 15, no. 4, pp. 21–47, 2019, doi: DOI: 10.4018/IJDWM.2019100102.
[2] Ming-Hui Huang and Roland T Rust, “Artificial Intelligence in Service,” J. Serv. Res., vol. 21, no. 2, pp. 155–172, Feb. 2018, doi: 10.1177/1094670517752459.
[3] D. McCauley, “The global AI agenda: Promise, reality, and a future of data sharing.” MIT Technology Review Insights, 2020.
[4] P. Mikalef, M. Boura, G. Lekakos, and J. Krogstie, “Big data analytics and firm performance: Findings from a mixed-method approach,” J. Bus. Res., vol. 98, pp. 261–276, 2019.
[5] F. Scarcello, “Artificial Intelligence,” S. Ranganathan, M. Gribskov, K. Nakai, and C. B. T.-E. of B. and C. B. Schönbach, Eds. Oxford: Academic Press, 2019, pp. 287–293.
[6] K. Hasanah, “Comparison of Sentiment Analysis Model for Shopee Comments on Google Play Store,” J. Sisfokom (Sistem Inf. dan Komputer), vol. 13, no. 1, pp. 21–30, 2024.
[7] A. Deolika, K. Kusrini, and E. T. Luthfi, “Analisis pembobotan kata pada klasifikasi text mining,” J. Teknol. Inf., vol. 3, no. 2, pp. 179–184, 2019.
[8] K. Bhargava and R. Katarya, “An improved lexicon using logistic regression for sentiment analysis,” in 2017 International Conference on Computing and Communication Technologies for Smart Nation (IC3TSN), 2017, pp. 332–337.
[9] D. Wilimitis and C. G. Walsh, “Practical considerations and applied examples of cross-validation for model development and evaluation in health care: tutorial,” Jmir ai, vol. 2, p. e49023, 2023.
[10] V. W. Lumumba, D. Kiprotich, M. Lemasulani Mpaine, N. Grace Makena, and M. Daniel Kavita, “Comparative analysis of cross-validation techniques: LOOCV, K-folds cross-validation, and repeated K-folds cross-validation in machine learning models,” K-folds Cross-Validation, Repeated K-folds Cross-Validation Mach. Learn. Model. (June 01, 2024), 2024.
[11] M. Wankhade, A. C. S. Rao, S. Dara, and B. Kaushik, “A sentiment analysis of food review using logistic regression,” Int J Sci Res Comput Sci Eng InformTechnol, pp. 2–17, 2017.
[12] M. Grandini, E. Bagli, and G. Visani, “Metrics for multi-class classification: an overview,” arXiv Prepr. arXiv2008.05756, 2020.
[13] S. Mokhtari, K. K. Yen, and J. Liu, “Effectiveness of artificial intelligence in stock market prediction based on machine learning,” arXiv Prepr. arXiv2107.01031, 2021.
[14] A. Abid, A. Abdalla, A. Abid, D. Khan, A. Alfozan, and J. Zou, “Gradio: Hassle-free sharing and testing of ml models in the wild,” arXiv Prepr. arXiv1906.02569, 2019.
Penulis
Hak Cipta (c) 2026 Akhmad Ghiffary Budianto, Aqli Mursadin
Artikel ini berlisensi Creative Commons Attribution 4.0 International License.