Perbaikan Metode Ekstraksi Fitur Aplikasi Dari Ulasan Pada Google Play Store Dengan Perhitungan Relevansi Infrequent Feature Terhadap Deskripsi Aplikasi

Sutino, Qonita Luthfia (2019) Perbaikan Metode Ekstraksi Fitur Aplikasi Dari Ulasan Pada Google Play Store Dengan Perhitungan Relevansi Infrequent Feature Terhadap Deskripsi Aplikasi. Masters thesis, Institut Teknologi Sepuluh Nopember.

This is the latest version of this item.

[img] Text
05111750010010 - Qonita Luthfia S.pdf - Accepted Version
Restricted to Repository staff only until 1 October 2023.

Download (1MB) | Request a copy
[img] Text
05111750010010 - Qonita Luthfia S.pdf - Accepted Version
Restricted to Repository staff only until 1 October 2023.

Download (868kB) | Request a copy

Abstract

Seiring dengan berkembangnya aplikasi mobile, kebutuhan pengguna terhadap aplikasi tersebut juga semakin bertambah. Saat ini, melalui platform distribusi aplikasi mobile, seperti Google Play Store, pengguna dapat menyampaikan ulasan berupa opini mengenai suatu aplikasi. Melalui ulasan aplikasi dari pengguna, developer dapat mengetahui kebutuhan apa saja yang perlu diperbaiki atau ditambah, sehingga ekstraksi kebutuhan berupa fitur aplikasi dari ulasan pengguna penting untuk perbaikan dan evolusi dari aplikasi itu sendiri. Beberapa penelitian sebelumnya sudah melakukan ekstraksi fitur yang berfrekuensi tinggi (frequent feature) dan berfrekuensi rendah (infrequent feature) berupa fitur aplikasi mobile dari opini pengguna pada ulasan aplikasi. Ekstraksi fitur berfrekuensi rendah dapat mengantisipasi adanya kebutuhan penting mengenai suatu fitur perangkat lunak yang belum diperoleh dari fitur berfrekuensi tinggi. Salah satu permasalahan utama dalam ekstraksi fitur berfrekuensi rendah adalah beberapa fitur hasil ekstraksi tidak relevan dengan aspek perangkat lunak. Pada penelitian ini, diajukan perbaikan metode ekstraksi fitur aplikasi dari ulasan pada Google Play Store dengan perhitungan relevansi fitur berfrekuensi tinggi dan rendah terhadap deskripsi aplikasi agar hasil ekstraksi fitur yang diperoleh lebih relevan. Untuk memperoleh fitur berfrekuensi rendah, diperlukan ekstraksi fitur berfrekuensi tinggi yang hasilnya kemudian dipetakan pada ulasan yang mengandung fitur aplikasi tersebut. Ulasan yang tidak dipetakan akan diekstraksi kembali pada ekstraksi fitur berfrekuensi rendah. Semua hasil ekstraksi fitur ini dinilai kemiripannya dengan deskripsi aplikasi yang diulas tersebut. Perhitungan nilai kemiripan ini dapat menunjukkan apakah fitur yang sudah diekstraksi ini relevan dengan fitur aplikasi. Hasil dari metode usulan ini menunjukkan nilai presisi dan recall masing-masing sebesar 0,95 sehingga dapat diindikasikan bahwa metode usulan menghasilkan fitur aplikasi yang lebih relevan dibandingkan dengan metode sebelumnya. Selain itu, keandalan metode usulan ini diukur berdasarkan kesepakatan annotator dengan teknik statistik Gwet’s AC1 yang menghasilkan tingkat kesepakatan sebesar 0,82. Dengan begitu, dapat diindikasikan bahwa proporsi kesepakatan antara annotator dengan metode ini adalah hampir sempurna. ================================================================================================ As the development of mobile apps grows, the user’s needs become more miscellaneous. Currently, Google Play Store is one of the platforms used for distributing various kinds of mobile app from the app developer to the app users. Through this platform, users are able to express their opinion about the app as review. The users’ review is helpful for the developer to know if there are any features that need to be fixed or added. Because of that, extracting the users’ needs which are correlated to the app features is important for maintenance and evolution of the app. Some previous researches have experimented on extracting mobile app features which are frequent and infrequent from users review. Extracting infrequent features is aimed to get any important needs contained in the review which are not extracted from frequent features extraction. One of the challenges in extracting infrequent features is extracted features which is irrelevant to the app aspect. In this research, improving the method of app feature extraction from users review in Google Play Store by calculating the relevancy of frequent and infrequent feature towards app description is proposed. This improvement is intended to extract more relevant app feature. To obtain infrequent features, frequent features need to be extracted first. Then, the frequent features are mapped to the review containing the feature. The unmapped reviews are extracted again in infrequent features extraction. These features (frequent and infrequent) are measured according to the similarity with features from app description. The calculation of similarity between features from app review and app description might denote whether the extracted features from review are relevant to the app features. This proposed method results precision and recall values which both are 0,95. It indicates that this method extracts more relevant features than previous method. The reliability of proposed method is evaluated according to annotators agreement of the result. Based on Gwet’s AC1 statistic calculation, the value of agreement between annotators and method is 0.82 which might indicate the agreement level between annotator and this method is almost perfect.

Item Type: Thesis (Masters)
Additional Information: RTIf 005.3 Sut p-1 2019
Uncontrolled Keywords: Ekstraksi Fitur, Infrequent Feature, Mobile App Review; Review Mining
Subjects: Q Science > QA Mathematics > QA76 Computer software
Q Science > QA Mathematics > QA76.758 Software engineering
Divisions: Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User: Qonita Luthfia Sutino
Date Deposited: 20 Sep 2021 06:37
Last Modified: 20 Sep 2021 06:37
URI: https://repository.its.ac.id/id/eprint/60436

Available Versions of this Item

Actions (login required)

View Item View Item