Aspect-Based Sentiment Analysis Ulasan Pengguna Aplikasi Polri Presisi

Abstract

Abstrak : 

Pemanfaatan aplikasi mobile dalam layanan publik memerlukan evaluasi kualitas layanan berbasis persepsi pengguna. Penelitian terdahulu umumnya melakukan klasifikasi sentiment secar umum, atau memisahkan identifikasi aspek dan klasifikasi sentiment tanpa menghubungkannya dengan metrik prioritas perbaikan yang terukur. Penelitian ini bertujuan menjawab celah tersebut dengan mengusulkan pipeline Aspect-Based Sentiment Analysis (ABSA) dengan melakukan integrasi antara Latent Dirichlet Allocation (LDA), IndoBERT, Net Reputation Score (NRS)  dan Long Short-Term Memory (LSTM) pada Aplikasi Polri Presisi. Data berupa 2640 ulasan pengguna versi 2.0.27 dikumpulkan dari Google Play Store dan menjadi 2458 ulasan setelah text preprocessing dengan pustaka Sastrawi dan kamus normalisasi slang Bahasa IndonesiaI. Identifikasi aspek menggunakan LDA dengan koherensi C_v menghasilkan empat aspek utama, yaitu Pengurusan SKCK, Efisiensi Pendaftaran, Isu Teknis, dan Kepuasan Layanan. IndoBERT berfungsi sebagai penganotasi sentiment otomatis yang divalidasi dengan rating pengguna. Prioritas perbaikan ditentukan menggunakan NRS. Aspek Isu Teknik memperoleh NRS -19,84% dan menjadi prioritas utama, diikuti Efisiensi Pendaftaran (51,51%), Pengurusan SKCK (75,78%) dan Kepuasan Layanan (77,57%). Klasifikasi topik dan sentimen dievaluasi melalui LSTM dengan pembagian data terstratifikasi 80:20, menghasilkan akurasi 85,07 untuk topik dan 86,91% untuk sentiment. Kontribusi penelitian ini meliputi pipeline ABSA terpadu yang mengintegrasi pemodelan topik, klasifikasi sentimen berbasis transformer, evaluasi deep learning, dan metrik prioritas NRS, penerapan pada domain layanan publik kepolisian digital yang masih terbatas kajiannya, serta pemberian dasar kuantitatif bagi pengelola aplikasi pemerintah dalam mengambil Keputusan perbaikan. 

=============================================

Abstract : 

The use of mobile applications in public services requires evaluation of service quality based on user perception. Previous studies generally perform sentiment classification in a general manner, or separate aspects and sentiment classification without linking them to the measured improvement priority metrics. This study aims to address this gap by proposing an Aspect-Based Sentiment Analysis (ABSA) pipeline by integrating Latent Dirichlet Allocation (LDA), IndoBERT, Net Reputation Score (NRS), and Long Short-Term Memory (LSTM) in the Presisi Police Application. Data in the form of 2,640 user reviews of version 2.0.27 were collected from the Google Play Store and reduced to 2,458 reviews after text preprocessing with the Sastrawi library and the Indonesian slang dictionary. Aspect identification using LDA with C_v coherence resulted in four main aspects: SKCK Management, Registration Efficiency, Technical Issues, and Service Satisfaction. IndoBERT functions as an automatic sentiment annotator validated with user ratings. Improvement priorities are determined using NRS. The Technical Issues aspect obtained an NRS of -19.84% and became the top priority, followed by Registration Efficiency (51.51%), SKCK Management (75.78%) and Service Satisfaction (77.57%). Topic and sentiment classification were evaluated through LSTM with stratified data splitting 80:20, resulting in an accuracy of 85.07 for topics and 86.91% for sentiment. The contribution of this research includes an integrated ABSA pipeline that integrates topic modeling, transformer-based sentiment classification, deep learning evaluation, and NRS priority metrics, application to the digital police public service domain which is still limited in its studies and providing a quantitative basis for government application managers in making improvement decisions.