Analisis Sentimen Customer Review Aplikasi Ruang Guru Dengan Metode BERT(Bidirectional Encoder Representations from Transformers)

Customer Review Sentiment Analysis of Ruang Guru Application with BERT(Bidirectional Encoder Representations from Transformers)

Google Play Store telah menjadi salah satu layanan distribusi digital terbesar yang digunakan untuk mengunduh dan mengunggah aplikasi yang telah di kembangkan. Penelitian ini dilakukan untuk analisa sentimen terhadap aplikasi Ruang Guru di Google Play Store. Data review komentar diambil dari fitur komentar yang ada di Google Play Store menggunakan teknik scrapping. Data yang digunakan berjumlah 5437 records. Hasil dari analisa sentimen dapat dimanfaatkan untuk melihat respon pengguna Ruang Guru lalu pengembang bisa memaksimalkan fitur yang dirasa kurang oleh pengguna. Wordcloud pada komentar review Ruang Guru berisikan keluhan aplikasi, video yang berbayar, dan seringnya aplikasi crash. Model dan metode yang digunakan adalah model pre-trained BERT. Pada model ini diperoleh nilai F1 Score adalah 98.9% dengan proporsi data latih dan data uji 70:30. Kemudian, dilakukan evaluasi terhadap model dan menghasilkan nilai akurasi sebesar 99%, presisi sebesar 64.13%, recall sebesar 60.51%. Nilai kriteria presentase sentimen memiliki bobot 99% dan dapat dinyatakan valid berdasarkan 10 kali epoch di rata-rata dengan peningkatan yang konsisten

Google Play Store has become one of the largest digital distribution services used to download and upload applications that have been developed. This research was conducted to analyze the sentiment of the Ruang Guru application on the Google Play Store. The comment review data is taken from the comments feature on the Google Play Store using a scrapping technique. The data used are 5437 records. The results of sentiment analysis can be used to see the response of Ruang Guru users and then developers can maximize features that are felt by users to be lacking. Wordcloud in the Ruang Guru review comments contains application complaints, paid videos, and frequent application crashes. The model and method used is a pre-trained BERT model. In this model, the F1 Score value is 98.9% with the proportion of training data and test data being 70:30. Then, an evaluation of the model was carried out and resulted in an accuracy value of 99%, precision of 64.13%, recall of 60.51%. The value of the percentage of sentiment criteria has a weight of 99% and can be declared valid based on 10 epochs on average with a consistent increase