Pemodelan Topik Komentar Terhadap Aplikasi Allstat BPS Tahun 2017-2025

Gabriella Elisabeth Simanungkalit, Hervira Nur Shafira, Rani Nooraeni

Abstract


Penelitian ini dilatarbelakangi oleh meningkatnya kebutuhan akan data statistik yang mudah diakses melalui aplikasi mobile, salah satunya adalah aplikasi AllStat BPS. Tujuan dari penelitian ini adalah untuk menganalisis sentimen dan mengidentifikasi topik utama dalam ulasan pengguna aplikasi AllStat BPS pada periode 2017–2025. Metode yang digunakan mencakup analisis sentimen berbasis lexicon dengan kamus InSet dan klasifikasi menggunakan algoritma Naive Bayes, Random Forest, dan Support Vector Machine (SVM). Pemodelan topik dilakukan dengan pendekatan Latent Dirichlet Allocation (LDA). Hasil penelitian menunjukkan bahwa model Random Forest memberikan performa klasifikasi terbaik dengan akurasi pada data latih sebesar 88,16% dan nilai kappa 0,8046. Selain itu, LDA berhasil mengidentifikasi delapan topik utama dari ulasan pengguna, dengan Topik 1 memiliki nilai koherensi tertinggi (0,1784) yang mengindikasikan kekuatan semantik antar kata dalam topik tersebut. Topik-topik ini kemudian dipetakan ke dalam kerangka kualitas perangkat lunak berdasarkan standar ISO/IEC 25010, dengan aspek Functional Suitability dan Performance Efficiency sebagai topik dominan. Kesimpulan dari penelitian ini adalah bahwa kombinasi metode Random Forest dan LDA efektif dalam mengklasifikasikan sentimen serta menggambarkan fokus isu dalam ulasan pengguna aplikasi AllStat BPS.


Full Text:

References


Alita, D., & Isnain, A. R. (2020). Pendeteksian Sarkasme pada Proses Analisis Sentimen Menggunakan Random Forest Classifier. Jurnal Komputasi, 8(2), 50–58.

Ambarita, S. R., Rahmawati, I., & Pratiwi, D. Y. (2022). Evaluation of Information Quality Using ISO/IEC 25010:2011 (Case Research: Menu Harianku Application). Indonesian Journal of Information Engineering and Science, 3(2), 60–67. https://ijies.telkomuniversity.ac.id/index.php/IJIES/article/view/610

Anggraini, P., & Winarsih, W. (2025). Komparasi Naïve Bayes, Support Vector Machine, dan Random Forest dalam Analisis Sentimen Aplikasi Shopee di Google Play Store. JATI (Jurnal Mahasiswa Teknik Informatika), 9(3), 4451–4457.

Apriani, R., & Gustian, D. (2019). Analisis sentimen dengan Naïve Bayes terhadap komentar aplikasi Tokopedia. Jurnal Rekayasa Teknologi Nusa Putra, 6(1), 54–62.

Arisula, J. P., & Parjito, P. (2024). Comparison of Naive Bayes and Random Forest Methods in Sentiment Analysis on the GetContact Application. Jurnal Teknik Informatika (JUTIF), 5(5), 1221–1230.

Axelborn, H., & Berggren, J. (2023). Sentiment Analysis and Topic Modelling of News Articles Regarding Nuclear Power in Sweden [Bachelor’s thesis, Umeå University]. Umeå University Digital Archive. https://umu.diva-portal.org/smash/get/diva2:1763637/FULLTEXT01.pdf

Badan Pusat Statistik. (2022). Leaflet aplikasi Android Allstats [Pamflet].

Badan Pusat Statistik. (2022b). Hasil Survei Kebutuhan Data (SKD) 2022.

Badan Pusat Statistik. (2025). Allstats BPS – Google Play Store. https://play.google.com/store/apps/details?id=id.go.bps.allstats&hl=en-US

Fahlevvi, M. R. (2022). Sentiment Analysis And Topic Modeling on User Reviews of Online Tutoring Applications Using Support Vector Machine and Latent Dirichlet Allocation. Knowbase: International Journal of Knowledge in Database, 2(2), 142. https://doi.org/10.30983/knowbase.v2i2.5906

Fayyad, U. M., Piatetsky-Shapiro, G., & Smyth, P. (1996). From Data Mining to Knowledge Discovery in Databases. AI Magazine, 17(3), 37–54.

Fitri, E. (2020). Analisis Sentimen Terhadap Aplikasi Ruangguru Menggunakan Algoritma Naive Bayes, Random Forest Dan Support Vector Machine. Jurnal Transformatika, 18(1), 71–80.

Go, A., Bhayani, R., & Huang, L. (2009). Twitter Sentiment Classification using Distant Supervision. Stanford University.

Koto, F., & Rahmaningtyas, G. Y. (2017). InSet Lexicon: Evaluation of a Word List for Indonesian Sentiment Analysis in Microblogs. In Proceedings of the 21st International Conference on Asian Language Processing (IALP) (pp. 391–394). IEEE. https://doi.org/10.1109/IALP.2017.8300625

Maulana, B. A., & Fahmi, M. J. (2024). Sentiment Analysis of Pluang Applications With Naive Bayes and Support Vector Machine (SVM) Algorithm. Vol, 4, 375–384.

Nanyonga, A., Wasswa, H., & Wild, G. (2024). Topic Modeling Analysis of Aviation Accident Reports: A Comparative Study between LDA and NMF Models. arXiv. https://arxiv.org/abs/2403.04788

Nikmatun, I. A., & Waspada, I. (2019). Implementasi data mining untuk klasifikasi masa studi mahasiswa menggunakan algoritma K-Nearest Neighbor. Jurnal Simetris, 10(2), 421–432.

Nisa, H. L., & Kurniawan, M. H. S. (2024). Analisis Sentimen Terhadap Komentar Aplikasi Allstats BPS Dengan Klasifikasi Naïve Bayes. Emerging Statistics and Data Science Journal, 2(3), 315–329.

Putra, F., Tahiyat, H. F., Ihsan, R. M., Rahmaddeni, R., & Efrizoni, L. (2024). Penerapan Algoritma K-Nearest Neighbor Menggunakan Wrapper Sebagai Preprocessing Untuk Penentuan Keterangan Berat Badan Manusia. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 4(1), 273–281.

Putu, N. L. P. M., & Amrullah, A. Z. (2021). Analisis Sentimen dan Pemodelan Topik Pariwisata Lombok Menggunakan Algoritma Naive Bayes dan Latent Dirichlet Allocation. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), 5(1), 123–131.

Syaifuddin, A., Harianto, R. A., & Santoso, J. (2020). Analisis Trending Topik untuk Percakapan Media Sosial dengan Menggunakan Topic Modelling Berbasis Algoritme LDA. INSYST: Journal of Intelligent System and Computation, 2(1), 12–19.

Tripathy, A., Agrawal, A., & Rath, S. K. (2015). Classification of Sentimental Reviews Using Machine Learning Techniques. Procedia Computer Science, 57, 821–829. https://doi.org/10.1016/j.procs.2015.07.523

United Nations Statistics Division. (2021). National Reporting Platforms. In UNSD‑FCDO Project on SDG Monitoring. UN Statistics Division. https://unstats.un.org/capacity-development/UNSD-FCDO/national-reporting-platforms/?utm_source=chatgpt.com

United Nations Statistics Division. (2024). UNdata. https://data.un.org

World Bank. (2021). World Development Report 2021: Data for Better Lives. https://www.worldbank.org/en/publication/wdr2021




DOI: https://doi.org/10.30591/jpit.v11i1.9350

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

JPIT INDEXED BY

  
  

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.