Monitoring Kualitas Layanan Aplikasi Jamsostek Mobile (JMO) Berdasarkan Ulasan Di Google Play Store

Anggraeni, Fitria (2024) Monitoring Kualitas Layanan Aplikasi Jamsostek Mobile (JMO) Berdasarkan Ulasan Di Google Play Store. Diploma thesis, Institut Teknologi Sepuluh Nopember.

Text 2043201119-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (2MB) | Request a copy

Abstract

Jamsostek Mobile (JMO) merupakan layanan digital terbaru yang diluncurkan oleh BPJS Ketenagakerjaan. Masyarakat diberikan kebutuhan layanan yang tersedia dalam satu aplikasi yang tentunya lebih lengkap, aplikasi yang memberikan kemudahan kepada pelanggan dan dapat dilakukan secara online. Meski demikian terdapat beberapa kendala mengenai kemudahan dalam mendapatkan informasi dan banyak pengguna yang tidak dapat login dan cek saldo. Analisis sentimen pada dasarnya adalah kegiatan mengklasifikasikan teks. Analisis tersebut dapat digunakan sebagai ukuran untuk mengetahui tanggapan positif atau negatif dari ulasan review di aplikasi. Oleh karena itu, dikembangkan menggunakan metode Support Vector Machine (SVM) dan Particle Swarm Optimization (PSO). Hasil dari penelitian ini didapatkan ulasan pengguna aplikasi JMO bersentimen positif sebesar 44,5% sedangkan ulasan yang bersentimen negatif sebesar 55,5%. Hasil analisis klasifikasi dari SVM kernel RBF diperoleh nilai akurasi sebesar 92% sedangkan performa dari SVM kernel RBF setelah di optimisasi menggunakan PSO diperoleh nilai akurasi sebesar 93% menunjukkan bahwa akurasinya menaik sebesar 1%, sehingga model terbukti mampu untuk mendeteksi ulasan positif dan negatif. Selanjutnya di monitoring menggunakan diagram kendali Laney P` hasil data testing berdasarkan data aktual dan prediksi, terdapat satu titik yang keluar dari kendali, yaitu pengamatan ke-43 pada tanggal 28 Agustus 2023 pada 12 jam pertama. Dengan adanya pengamatan yang keluar dari kendali baik dari data aktual maupun data prediksi, dapat disimpulkan bahwa metode Support Vector Machine (SVM) dan Particle Swarm Optimization (PSO) bisa digunakan untuk prediksi sentimen kedepannya.
=================================================================================================================================
Jamsostek Mobile (JMO) is the latest digital service launched by BPJS Ketenagakerjaan. It provides comprehensive services in one application, offering convenience to customers and allowing them to access various features online. Many users encounter difficulties logging in and checking their balances. Sentiment analysis is essentially the task of classifying text as positive or negative. This analysis can be used as a measure to determine the overall sentiment of reviews within an application. To address this issue, Support Vector Machine (SVM) and Particle Swarm Optimization (PSO) methods were developed for sentiment classification of user reviews within the JMO Mobile application. The results of this study revealed that user reviews for the JMO application had a positive sentiment of 44.5%, while negative sentiment accounted for 55.5%. The classification analysis using the RBF kernel SVM yielded an accuracy rate of 92%. After optimization using PSO, the performance of the RBF kernel SVM improved, achieving an accuracy rate of 93%. This indicates a 1% increase in accuracy, demonstrating the model's capability to detect both positive and negative reviews. Subsequently, in the monitoring phase using the Laney P` control chart based on actual and predicted testing data, there was one point that deviated from the control limits specifically, observation point 43 on August 28, 2023, during the first 12 hours. With observations extending beyond control, both from actual data and predictive data, it can be concluded that the Support Vector Machine (SVM) and Particle Swarm Optimization (PSO) methods can be utilized for future sentiment predictions.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Analisis Sentimen, JMO Mobile, Support Vector Machine, Particle Swarm Optimization, Diagram Laney P
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. Q Science > Q Science (General) > Q337.3 Swarm intelligence
Divisions:	Faculty of Vocational > 49501-Business Statistics
Depositing User:	Anggraeni Fitria
Date Deposited:	28 May 2024 02:15
Last Modified:	28 May 2024 02:15
URI:	http://repository.its.ac.id/id/eprint/107995

Actions (login required)

View Item