Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Wardana, Dzaky Ahmadin Berkah
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Analisis Sentimen Ulasan Pengguna Aplikasi Mypertamina Pada Google Play Store Menggunakan Metode Xgboost dan Word2Vec Embedding Wardana, Dzaky Ahmadin Berkah; Muflikhah, Lailil; Perdana, Rizal Setya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 8 (2025): Agustus 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Dalam era digital, penggunaan aplikasi layanan publik semakin meningkat seiring dengan kebutuhan masyarakat akan kemudahan akses layanan. Salah satu contohnya adalah aplikasi MyPertamina, yang menjadi syarat utama pembelian BBM bersubsidi sejak Juli 2022. Kebijakan ini mendorong lonjakan jumlah pengguna dan tingginya volume ulasan di Google Play Store. Ulasan-ulasan tersebut mencerminkan berbagai persepsi masyarakat, baik berupa apresiasi maupun keluhan, yang dapat dimanfaatkan untuk mengevaluasi kualitas layanan secara lebih objektif. Penelitian ini bertujuan untuk mengklasifikasikan sentimen ulasan pengguna aplikasi MyPertamina ke dalam tiga kategori, yaitu negatif, netral, dan positif, dengan mengombinasikan algoritma Extreme Gradient Boosting (XGBoost) dan metode representasi teks Word2Vec Embedding. Data dikumpulkan melalui teknik web scraping dan diproses melalui tahapan text preprocessing. Representasi kata dibentuk menggunakan dua pendekatan Word2Vec, yaitu CBOW dan Skip-gram, sebelum diklasifikasikan menggunakan XGBoost. Pengujian dilakukan dalam dua tahap, yaitu baseline dan setelah tuning hyperparameter menggunakan GridSearchCV. Hasil awal menunjukkan bahwa kedua pendekatan menghasilkan akurasi yang sama, yaitu 78%, dengan CBOW lebih baik dalam mengenali sentimen positif dan Skip-gram lebih baik dalam mengenali sentimen negatif dan netral. Setelah tuning, kombinasi Skip-gram dan XGBoost menghasilkan akurasi terbaik sebesar 83%, serta peningkatan nilai precision, recall, dan f1-score. Hasil ini menunjukkan bahwa pendekatan tersebut mampu mengidentifikasi sentimen pengguna secara efektif, dan dapat digunakan untuk mendukung evaluasi layanan publik.
Co-Authors Lailil Muflikhah Rizal Setya Perdana