Pemodelan Topik Komentar Terhadap Aplikasi Allstat BPS Tahun 2017-2025

Abstrak

Penelitian ini dilatarbelakangi oleh meningkatnya kebutuhan akan data statistik yang mudah diakses melalui aplikasi mobile, salah satunya adalah aplikasi AllStat BPS. Tujuan dari penelitian ini adalah untuk menganalisis sentimen dan mengidentifikasi topik utama dalam ulasan pengguna aplikasi AllStat BPS pada periode 2017–2025. Metode yang digunakan mencakup analisis sentimen berbasis lexicon dengan kamus InSet dan klasifikasi menggunakan algoritma Naive Bayes, Random Forest, dan Support Vector Machine (SVM). Pemodelan topik dilakukan dengan pendekatan Latent Dirichlet Allocation (LDA). Hasil penelitian menunjukkan bahwa model Random Forest memberikan performa klasifikasi terbaik dengan akurasi pada data latih sebesar 88,16% dan nilai kappa 0,8046. Selain itu, LDA berhasil mengidentifikasi delapan topik utama dari ulasan pengguna, dengan Topik 1 memiliki nilai koherensi tertinggi (0,1784) yang mengindikasikan kekuatan semantik antar kata dalam topik tersebut. Topik-topik ini kemudian dipetakan ke dalam kerangka kualitas perangkat lunak berdasarkan standar ISO/IEC 25010, dengan aspek Functional Suitability dan Performance Efficiency sebagai topik dominan. Kesimpulan dari penelitian ini adalah bahwa kombinasi metode Random Forest dan LDA efektif dalam mengklasifikasikan sentimen serta menggambarkan fokus isu dalam ulasan pengguna aplikasi AllStat BPS.