Claim Missing Document
Check
Articles

Intelligent Service Quality Asse Aspect-Based Sentiment and Emotion Analysis on Online Reviews Using DistilBERT Method for Service Quality Evaluation: Aspect-Based Sentiment and Emotion Analysis on Online Reviews Using DistilBERT Jatmika Mika; Yuwinda Hartati Zebua; Sunneng Sandino Berutu
Infact: International Journal of Computers Vol. 10 No. 01 (2026): Journal of Science and Computers
Publisher : Universitas Kristen Immanuel

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61179/infact.v10i01.807

Abstract

The growth of online reviews on digital platforms has made consumer opinions an important source for understanding perceptions of service quality in businesses. This study aims to analyze aspect-based sentiment and emotion from consumer reviews using the Distilled Bidirectional Encoder Representation from Transformers (DistilBERT) method. Data were collected from Google Reviews and processed through text preprocessing, aspect extraction, sentiment and emotion labeling, and fine-tuning of the DistilBERT model. Sentiment analysis was classified into three classes (positive, negative, and neutral), while emotion analysis included five categories (happy, angry, disappointed, sad, and neutral). The evaluation results show that the DistilBERT model achieved excellent performance in sentiment classification with an accuracy of 95.00%, precision of 93.60%, recall of 95.00%, and F1-score of 94.22%. For emotion classification, the model achieved an accuracy of 94.00%, precision of 88.36%, recall of 94.00%, and F1-score of 91.09%. These findings indicate that a Transformer-based approach is effective in understanding the contextual meaning of consumer reviews despite the use of a relatively limited dataset. This study concludes that DistilBERT is capable of providing accurate and efficient aspect-based sentiment and emotion analysis, which can be utilized as a foundation for evaluating and improving service quality and digital business reputation.
PENERAPAN METODE DECISION TREE PADA SENTIMEN MEDIA SOSIAL TERKAIT KOMISI PEMILIHAN UMUM (KPU) SEBELUM DAN SESUDAH PILPRES 2024 Yolanda Veren; Sunneng Sandino Berutu; Haeni Budiati
JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Vol 9, No 4 (2024)
Publisher : STKIP PGRI Tulungagung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29100/jipi.v9i4.5532

Abstract

Pemilihan Presiden 2024 di Indonesia menandai momen krusial dalam dinamika politik negara. Penelitian ini mengamati perubahan pandangan masyarakat terhadap Komisi Pemilihan Umum (KPU) sebelum dan setelah Pilpres 2024 dengan menerapkan metode klasifikasi Decision Tree. Dataset yang digunakan terdiri dari 5794 (tambahin tanggal) tweet yang telah melewati serangkaian tahap, mulai dari crawling, pre processing data, terjemahan, pelabelan, klasifikasi, hingga evaluasi model. Hasil analisis menunjukkan bahwa sebelum Pilpres 2024, sentimen positif mencapai 39.98%, sentimen netral sebesar 38.39%, dan sentimen negatif sebesar 21.63%. Setelah Pilpres 2024, terjadi peningkatan dalam sentimen positif menjadi 45.45%, sedangkan sentimen netral mengalami penurunan menjadi 36.67%, dan sentimen negatif juga mengalami penurunan menjadi 17.87%. Berdasarkan dataset Komisi Pemilihan Umum (KPU) setelah Pilpres 2024 akurasi prediksi meningkat menjadi 67, dengan sentimen netral memiliki presisi sebesar 70. Sedangkan berdasarkan dataset pada Komisi Pemilihan Umum (KPU) setelah Pilpres 2024, recall untuk sentimen positif adalah 69, sementara f1-score untuk sentimen netral adalah 72.
ANALISIS PERBINCANGAN DALAM GRUP WHATSAPP DENGAN K-MEANS CLUSTERING Maria Tri Elsa; Sunneng Sandino Berutu; Febe Maedjaja
JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Vol 9, No 4 (2024)
Publisher : STKIP PGRI Tulungagung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29100/jipi.v9i4.5554

Abstract

Whatsapp merupakan sebuah aplikasi yang mempermudah pengguna untuk mengirim pesan teks, foto, video, melakukan panggilan suara, dan panggilan video secara gratis dengan koneksi internet. “Grup Whatsapp Jual Beli Area UKRIM” memiliki sekitar 26.000 arsip pesan, yang membuktikan tingginya aktivitas dan interaksi anggota dalam transaksi jual beli. Anggota grup akan terbantu membuat strategi promosi barang jika mereka dapat memanfaatkan informasi mengenai kata dan barang yag paling sering muncul dalam chat group. Untuk mendapatkan informasi mengenai kata dan barang yang paling sering muncul dalam chat group diperlukan text clustering. Penelitian ini menggunakan Metode K-Means dalam melakukan text clustering untuk memperoleh kata-kata yang sering muncul tersebut. Setelah melalui prosedur pra-pemrosesan teks dan penerapan Metode Elbow, jumlah data diperkecil menjadi 4.732 data dan ditentukan 10 cluster yang optimal dalam “Grup Whatsapp Jual Beli Area UKRIM”. Hasil penerapan K-Means memperlihatkan kata yang paling sering muncul dalam cluster 0 adalah kata “jual” , dalam cluster 1 kata “info”, dalam cluster 2  kata “beli”, dalam cluster 3 kata “japri”, dalam cluster 4 kata “gas”, dalam cluster 5 kata “motor”, dalam cluster 6 kata “info”,”kost”, dalam cluster 7  kata  “hp”, dalam cluster  8  kata “kucing”,  dan dalam cluster 9  kata “rak”. Secara menyeluruh kata yang paling banyak muncul adalah kata “info” dengan jumlah 910 dan kata yang paling sedikit muncul adalah kata “iphone” dan “hewan”. Barang dagangan yang sering muncul adalah “meja”, “kipas”, “lemari”, “kasur”, dan “laptop
Implementasi Metode Vader Dan Fuzzy Pada Analisis Sentimen Berbasis Aspek Terhadap Ulasan Aplikasi Brimo Berlian Sakti Yuliana Ndruru; Sunneng Sandino Berutu; Haeni Budiati
JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Vol 11, No 2 (2026)
Publisher : STKIP PGRI Tulungagung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29100/jipi.v11i2.8237

Abstract

Perkembangan teknologi digital mendorong industri perbankan untuk meningkatkan layanan melalui aplikasi mobile banking, seperti Brimo. Ulasan pengguna menjadi sumber data yang berharga untuk analisis sentimen berbasis aspek (ASBA), namun identifikasi manual tidak efisien. Penelitian ini mengkombinasikan metode Vader dan logika Fuzzy untuk mengukur dan mengklasifikasikan sentimen pada ulasan aplikasi BRImo melalui 6 tahap yaitu, scraping data dari Google Play Store, preprocessing, kategorisasi aspek (pengalaman pengguna, kinerja, keamanan), klasifikasi sentimen dengan vader (positif, netral, negatif), klasifikasi lanjutan dengan Fuzzy (sangat positif, cukup positif, netral, cukup negatif, sangat negatif), dan analisis hasil. Hasil klasifikasi Vader menunjukkan pada aspek pengalaman pengguna didominasi sentimen positif (42,6%), netral (36,2%), dan negatif (21,3%). Untuk kinerja, sentimen netral mendominasi (42,8%) diikuti positif (36,2%) dan negatif (21,1%), sedangkan pada keamanan didominasi netral (45,8%) dengan positif (32,9%) dan negatif (21,3%). Klasifikasi fuzzy memberikan hasil lebih detail dimana pada pengalaman pengguna didominasi netral (41,6%) diikuti cukup positif (25,5%), cukup negatif (16,7%), sangat positif (13,6%), dan sangat negatif (2,6%). Pola serupa terlihat pada kinerja (netral 51,7%, cukup positif 25,7%) dan keamanan (netral 53,2%, cukup positif 21,0%). Hasil ini menunjukkan dominasi sentimen netral dengan fuzzy mampu memberikan granularitas lebih detail dibanding Vader.
KLASIFIKASI KALIMAT PERUNDUNGAN PADA TWITTER MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE Sumitta Nauli; Sunneng Sandino Berutu; Haeni Budiati; Febe Maedjaja
JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Vol 10, No 1 (2025)
Publisher : STKIP PGRI Tulungagung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29100/jipi.v10i1.5749

Abstract

Cyberbullying menjadi masalah yang semakin serius, terutama dengan meningkatnya media sosial dan teknologi. Twitter adalah sebagai salah satu media digital yang kerap dijadikan ajang untuk memunculkan tekanan dari sesama pengguna. Dalam riset yang dilakukan, teknik Support Vector Machine (SVM) akan diterapkan untuk membuat klasifikasi terhadap tweet sebagai tujuannya. Crawling data digunakan untuk mengumpulkan data pelatihan, yang kemudian diproses dengan melakukan tokenisasi, pembersihan data, dan TF-IDF untuk pembobotan kata. Kata-kata yang membentuk sebuah frasa memiliki fungsi sebagai fitur. Untuk menentukan model klasifikasi yang ideal, teknik SVM dikembangkan dengan memanfaatkan beberapa jenis kernel dan parameter yang berbeda. Klasifikasi tweet dilakukan berdasarkan aspek fisik dan non-fisik. Dataset yang digunakan terdiri dari 2752 data, dengan 568 kategori bullying, 2183 kategori non bullying, dan 428 untuk aspek fisik, 132 untuk aspek non-fisik. Klasifikasi terbaik ditunjukkan melalui kernel Linear yang memiliki perbandingan 90:10, menghasilkan 89,47% akurasi, 57,14% recall, 100% presisi, serta 72,72% f1-score. Perolehan riset membuktikan yaitu nilai parameter tertentu dan model teknik SVM oleh esensi linear mahir mengklasifikasikan kalimat perundungan pada Twitter dengan akurasi yang tinggi. Penelitian ini memberikan kontribusi dalam upaya mendeteksi dan menangani perundungan siber pada platform media sosial.
Integrasi ABSA dan LDA untuk identifikasi opini publik Kabupaten Pakpak Bharat Samuel Rama Silo Padang; Sunneng Sandino Berutu; Yoel Pieter Sumihar
Journal of Information Technology Vol. 6 No. 2 (2026): Journal of Information Technology
Publisher : Institut Shanti Bhuana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46229/jifotech.v6i2.1144

Abstract

Penelitian ini mengusulkan pendekatan Aspect-Based Sentiment Analysis (ABSA) yang mengintegrasikan Latent Dirichlet Allocation (LDA) dan IndoBERT untuk menganalisis opini publik terhadap Kabupaten Pakpak Bharat berdasarkan 4.591 tweet yang dikumpulkan melalui scraping. Data diproses melalui case folding, penghapusan URL dan mention, serta penyaringan stopword yang mempertimbangkan konteks. LDA digunakan untuk membangun taksonomi topik secara otomatis yang terdiri atas tujuh kategori, yang menjadi dasar ekstraksi aspek berbasis aturan menggunakan mekanisme pembobotan kata kunci dengan batasan taksonomi. Aspek dengan data yang tidak memadai digabungkan ke dalam kategori induk yang relevan secara semantik, menghasilkan sembilan kelas aspek akhir. Untuk mengatasi ketidakseimbangan kelas sentimen, diterapkan strategi random oversampling berbasis threshold, di mana setiap kelas minoritas ditingkatkan jumlahnya hingga nilai minimum antara ukuran kelas mayoritas dan nilai maksimum antara jumlah data saat ini atau 30% dari ukuran kelas mayoritas—sehingga dataset menjadi lebih seimbang dengan total 4.755 sampel tanpa menyamakan seluruh kelas secara penuh. Klasifikasi sentimen dilakukan menggunakan arsitektur multitask IndoBERT dengan dua classification head, di mana head aspek dilatih secara bersamaan menggunakan Focal Loss sebagai komponen pendukung untuk memperkuat representasi bersama, sementara label aspek akhir ditentukan melalui mekanisme berbasis aturan tersebut. Tiga aspek dengan volume pembahasan tertinggi adalah Keamanan (1.354 data), Sosial (1.313 data), dan Pariwisata (794 data). Model klasifikasi sentimen menunjukkan performa yang baik, dengan akurasi 85,59%, presisi 84%, recall 86%, dan F1-score 85%. Hasil ini menunjukkan bahwa integrasi LDA, ekstraksi berbasis aturan, dan IndoBERT efektif dalam memetakan persepsi publik secara granular, serta memberikan wawasan yang dapat ditindaklanjuti bagi evaluasi pemerintah daerah.
Analisis Sentimen Berbasis ASOQE dan Taksonomi pada Program MBG di X victor crisman mendrofa; Sunneng Sandino Berutu; Haeni Budiati
Algoritme Jurnal Mahasiswa Teknik Informatika Vol 6 No 2 (2026): April 2026 || Algoritme Jurnal Mahasiswa Teknik Informatika
Publisher : Program Studi Teknik Informatika Universitas Multi Data Palembang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35957/algoritme.v6i2.15636

Abstract

The Free Nutritious Meal (MBG) program faces implementation challenges regarding distribution, menu quality, and budget sustainability, sparking diverse public discourse on social media. This study analyzes public sentiment toward the MBG program using an Aspect-Opinion-Qualifier Extraction (ASOQE) approach based on policy taxonomy. The dataset was obtained from X (formerly Twitter) via web scraping and processed through standardized text preprocessing. Automatic annotation used a lexicon-based BIO labeling approach to generate a silver-standard dataset. The classification model was trained using an IndoBERT-BiLSTM architecture to identify contextual aspects and opinions. Inference results were mapped into five sentiment classes and five policy dimensions: nutritional quality, implementation, social impact, policy, and effectiveness. Evaluation showed excellent performance, with F1-scores exceeding 0.98. Findings reveal that social impact and implementation dimensions dominate public discourse, showing significantly positive sentiment. This research demonstrates the potential of Aspect-Based Sentiment Analysis as a data-driven tool for comprehensive public policy evaluation.
Analisis Sentimen Berbasis Aspek Program Koperasi Desa Merah Putih Menggunakan IndoBERT yuris mardayani gea; Sunneng Sandino Berutu; Jatmika Jatmika
Algoritme Jurnal Mahasiswa Teknik Informatika Vol 6 No 2 (2026): April 2026 || Algoritme Jurnal Mahasiswa Teknik Informatika
Publisher : Program Studi Teknik Informatika Universitas Multi Data Palembang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35957/algoritme.v6i2.15711

Abstract

The Koperasi Desa Merah Putih program is a strategic initiative requiring evaluation through public perception monitoring. This study employs Aspect-Based Sentiment Analysis (ABSA) using the IndoBERT transformer model via a two-stage approach: aspect-opinion extraction using BIO labeling (Token Classification) and sentiment polarity determination (Sequence Classification). A dataset of 12,013 entries from Platform X underwent systematic preprocessing and was trained using an 80:20 stratified split to ensure label balance. Model performance, evaluated through accuracy, precision, recall, and F1-score, demonstrated high reliability with 79% accuracy. Collectively, the analysis identified 4,917 neutral, 3,961 negative, and 3,135 positive opinions. Specifically, the "Economy" aspect recorded 1,673 positive opinions, reflecting public optimism regarding the program's economic impact. These results confirm that Deep Learning-based approaches provide granular insights into policy effectiveness, serving as an accurate decision-support instrument for cooperative program managers at the village level to improve policy implementation based on data-driven evidence.
Implementasi Aspect-Based Sentiment Analysis Berbasis IndoBERT Pada Program Sekolah Rakyat Tik Tanika Marunduri; Sunneng Sandino Berutu; Jatmika Jatmika
Algoritme Jurnal Mahasiswa Teknik Informatika Vol 6 No 2 (2026): April 2026 || Algoritme Jurnal Mahasiswa Teknik Informatika
Publisher : Program Studi Teknik Informatika Universitas Multi Data Palembang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35957/algoritme.v6i2.15734

Abstract

The Sekolah Rakyat program is a strategic Ministry of Social Affairs initiative requiring continuous evaluation through public perception monitoring. This study employs Aspect-Based Sentiment Analysis (ABSA) using the IndoBERT transformer model via a two-stage approach: aspect-opinion extraction using BIO labeling (Token Classification) and sentiment polarity determination (Sequence Classification). A dataset of 14,787 entries from Platform X underwent systematic preprocessing and was trained using an 80:20 stratified split to ensure label balance. Model performance demonstrated high reliability, achieving 86% accuracy and stable F1-scores. Collectively, the analysis identified 8,454 neutral, 4,062 positive, and 2,271 negative sentiments. The results reveal that educational aspects, specifically regarding students, are the primary focus of public discourse, dominated by neutral sentiment. These findings confirm that Deep Learning-based approaches provide granular insights into policy effectiveness, serving as an accurate decision-support instrument for the government to evaluate educational policies comprehensively based on data-driven evidence.
Analisis Perbandingan Performa Hybrid Quantum-Classical Neural Network dan Convolutional Neural Network dalam Klasifikasi Citra Putri Naomi Febrianti Telaumbanua; Sunneng Sandino Berutu; Aninda Astuti
Jurnal Algoritme Vol 7 No 1 (2026): October 2026 || Algoritme Jurnal Mahasiswa Teknik Informatika
Publisher : Program Studi Teknik Informatika Universitas Multi Data Palembang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35957/algoritme.v7i1.15735

Abstract

The primary challenge in employing conventional CNNs for medical image classification lies in their high parameter complexity and the potential degradation in generalization efficiency on large-scale datasets. This study explores an alternative solution through a hybrid architecture, namely the HQCNN, applied to the PathMNIST dataset. In this schema, classical CNN layers function as a spatial feature extractor, which is then mapped into the quantum domain via angle encoding mechanisms on a 4-qubit configuration. The novelty of this research lies in the scalability testing of the model, conducted incrementally up to a volume of 130,000 data samples. Experimental results confirm the superiority of the HQCNN, achieving an accuracy of 83.0%, significantly outperforming the classical CNN model, which exhibited a decline in effectiveness at 77.7%. These findings indicate that the integration of quantum principles, such as entanglement via CNOT gates, enables sharper class separation and reduces the risk of overfitting in large scale medical datasets.