Klasifikasi Ulasan Berdasarkan Divisi Pada Google Play Menggunakan Metode Hierarchical Dirichlet Process Dan Metode Ensemble

Maulani, Irham (2024) Klasifikasi Ulasan Berdasarkan Divisi Pada Google Play Menggunakan Metode Hierarchical Dirichlet Process Dan Metode Ensemble. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6025221017-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2026. Download (7MB) | Request a copy

Abstract

Ulasan yang diberikan oleh pengguna pada aplikasi, dewasa ini menjadi umpan balik yang menjadi jembatan penghubung antara pengembang dan pengguna. Pengalaman secara langsung dalam menggunakan aplikasi dapat menjadi masukan yang dapat membuat aplikasi menjadi lebih baik. Ulasan yang dapat menjadi masukan adalah ulasan yang berkualitas baik dan berhubungan secara langsung terhadap pengalaman pengguna. Terdapat banyak ulasan yang diberikan oleh pengguna yang terbawa emosi dan secara cakupan di luar tanggung jawab dan kewenangan oleh tim pengembang perangkat lunak. Beberapa keluhan banyak terarah ke tim operasional dengan masalah seperti keputusan bisnis yang diambil manajemen, promosi yang tidak jelas, tidak responsif nya customer service, dan masalah bisnis lainnya. Sehingga dikhawatirkan terjadi pelimpahan hal di luar tanggung jawab pengembang pada masalah yang seharusnya diterima oleh divisi operasional.
Data ulasan yang banyak dan kalimat ulasan memiliki arti bias menyulitkan untuk memahami dan memilah ulasan secara manual, sehingga diharapkan klasifikasi secara otomatis membantu dalam pelimpahan masukan secara tepat pada divisi yang bertanggung jawab. Penelitian ini mengusulkan pendekatan klasifikasi menggunakan metode Ensemble pada dua kelas utama, yaitu divisi pengembangan dan divisi operasi. Setiap ulasan di ekstraksi fitur menggunakan metode Hierarchical Dirichlet Process (HDP) karena dapat membantu dalam mengelompokkan ulasan yang memiliki karakteristik arti yang secara sentimen ambigu dan emosional ke dalam topik-topik yang relevan. Ulasan diambil dari Google Play dan dilakukan pelabelan secara manual oleh pakar. Hasil penelitian menunjukkan bahwa dengan menggunakan metode Gradient Boosting menghasilkan performa yang lebih baik dibandingkan metode klasifikasi Ensemble lainnya yang diuji dengan menggunakan ekstraksi fitur HDP mendapatkan akurasi 0.63, precision 0.62, recall 0.55 dan F1 Score 0.52. Ekstraksi fitur menggunakan HDP memberikan performa yang lebih baik dibandingkan dengan metode pembanding Latent Dirichlet Allocating (LDA).
=================================================================================================================================
The reviews provided by users on applications have become feedback that serves as a connecting bridge between developers and users. Direct experiences in using applications can be input that can make the application better. Reviews that can be constructive are those of good quality and directly related to the user experience. Many reviews given by users are emotionally charged and go beyond the responsibilities and authority of the software development team. Some complaints are directed towards the operational team with issues such as management decisions, unclear promotions, unresponsiveness of customer service, and other business-related problems. This raises concerns about the delegation of responsibilities beyond the developers to issues that should be handled by the operational division. The abundance of review data and the biased meanings in review sentences make it difficult to understand and manually sort reviews. Therefore, automatic classification is expected to assist in accurately directing feedback to the responsible division. This research proposes a classification approach using Ensemble methods for two main classes: the development division and the operational division. Each review is feature-extracted using the Hierarchical Dirichlet Process (HDP) method because it helps group reviews with sentiment-ambiguous and emotional characteristics into relevant topics. Reviews were collected from Google Play and manually labeled by experts. The research results indicate that using the Gradient Boosting method yields better performance compared to other tested Ensemble classification methods. With feature extraction using HDP, the accuracy is 0.63, precision is 0.62, recall is 0.55, and F1 Score is 0.52. Feature extraction using HDP performs better than the comparison method, Latent Dirichlet Allocating (LDA).

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Classification, Ensemble Method, Feature extraction, Hierarchical Dirichlet Process, Topic modelling, Ekstraksi Fitur, Klasifikasi Teks
Subjects:	Q Science > QA Mathematics > QA336 Artificial Intelligence Q Science > QA Mathematics > QA76.758 Software engineering Q Science > QA Mathematics > QA76.76.S64 Software maintenance. T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Irham Maulani Abdul Gani
Date Deposited:	06 Feb 2024 07:58
Last Modified:	06 Feb 2024 07:58
URI:	http://repository.its.ac.id/id/eprint/106199

Actions (login required)

View Item