REKOMENDASI PENINGKATAN LAYANAN APLIKASI MENGGUNAKAN ROOT CAUSE ANALYSIS BERDASARKAN ANALISIS SENTIMEN ULASAN PENGGUNA (STUDI KASUS : DIGITAL KORLANTAS POLRI)

RECOMMENDATIONS FOR IMPROVING APPLICATION SERVICES USING ROOT CAUSE ANALYSIS BASED ON USER REVIEW SENTIMENT ANALYSIS (CASE STUDY: DIGITAL KORLANTAS POLRI)

Berangkat dari fenomena transformasi digital, aplikasi Digital Korlantas Polri hadir sebagai solusi dan terobosan dalam proses pengurusan SIM secara digital. Namun demikian, perhatian terhadap kualitas performa aplikasi masih perlu ditingkatkan, salah satunya melalui analisis komentar pengguna di Google Play Store. Ditemukan adanya ketimpangan antara rating aplikasi dan isi komentar pengguna, yang menimbulkan kerancuan terhadap persepsi kualitas aplikasi tersebut.

Penelitian ini bertujuan untuk mengidentifikasi akar penyebab permasalahan yang dialami pengguna aplikasi Digital Korlantas Polri serta menghasilkan rekomendasi perbaikan yang relevan. Penelitian ini memanfaatkan model pra-latih IndoBERT untuk klasifikasi sentimen, dilanjutkan dengan pemodelan topik semi-supervised menggunakan Guided LDA untuk mengungkap pola tersembunyi dalam data ulasan. Selanjutnya, model GPT-2 pra-latih digunakan sebagai generator teks untuk menghasilkan rekomendasi perbaikan berdasarkan permasalahan yang ditemukan.

Evaluasi menunjukkan bahwa model sentimen memiliki tingkat kepercayaan sebesar 0,99, model Guided LDA menghasilkan nilai coherence sebesar 0,55, dan model GPT-2 menunjukkan nilai perplexity sebesar 2,33. Secara keseluruhan, model-model yang digunakan mampu menjalankan fungsinya dengan baik, menghasilkan analisis yang lebih efektif dan efisien, serta memberikan rekomendasi perbaikan yang realistis dan cepat berdasarkan permasalahan yang terjadi.

    Amid the wave of digital transformation, the Digital Korlantas Polri application emerged as a solution and breakthrough in the digital-based SIM (driver's license) issuance process. However, concerns regarding the application’s performance quality remain, one of which can be assessed through user comments on the Google Play Store. A disparity was found between the app’s rating and the content of user reviews, raising questions about the actual quality of the application.

    This study aims to identify the root causes of user issues with the Digital Korlantas Polri application and generate improvement recommendations based on the identified problems. The research utilizes the pre-trained IndoBERT model for sentiment classification, followed by semi-supervised topic modeling using Guided LDA to uncover hidden patterns in the review data. Furthermore, the pre-trained GPT-2 model is employed as a text generator to produce application improvement recommendations based on the identified issues.

    Evaluation results show that the sentiment model achieved a confidence score of 0.99, the Guided LDA model reached a coherence score of 0.55, and the GPT-2 model yielded a perplexity value of 2.33. Overall, the models successfully fulfilled their respective roles, enabling more effective and efficient analysis, and generating realistic and timely recommendations for addressing the identified issues.