Analisis Ulasan Aplikasi Seller Center Tokopedia dan TikTok Shop di Google Play setelah Integrasi Layanan dengan Latent Dirichlet Allocation dan Non-Negative Matrix Factorization

⭐ Novianna Putri, Vernonia (2025) Analisis Ulasan Aplikasi Seller Center Tokopedia dan TikTok Shop di Google Play setelah Integrasi Layanan dengan Latent Dirichlet Allocation dan Non-Negative Matrix Factorization. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (923kB)
	PDF BAB_I.pdf Download (613kB)
	PDF BAB_II.pdf Download (740kB)
	PDF BAB_III.pdf Download (680kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (6MB)
	PDF BAB_V.pdf Download (297kB)
	PDF DAFTAR_PUSTAKA.pdf Download (436kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (562kB)

Abstract

Integrasi layanan seller center TikTok Shop dan Tokopedia pada 8 April 2025 menimbulkan berbagai tanggapan dari pengguna yang sebelumnya beroperasi secara terpisah di kedua platform. Ulasan aplikasi di Google Play melonjak naik dari 8.366 ulasan pada 6 bulan sebelum integrasi menjadi 13.446 ulasan setelah 6 bulan. Penelitian ini menganalisis sentimen berdasarkan aspek atau topik dominan yang muncul pada data ulasan pada kedua periode tersebut melalui pemodelan topik dan menganalisis sentimen pada topik tersebut untuk meningkat aspek atau fitur aplikasi dari feedback pengguna aplikasi. Penelitian ini menerapkan pendekatan CRISP-DM pada analisis sentimen serta pemodelan topik (topic modeling) Latent Dirichlet Allocation (LDA) dan Non-negative Matrix Factorization (NMF) menggunakan metode evaluasi coherence score c_v dan u_mass. Corpus dokumen menggunakan pembobotan kata TFIDF dan BoW dengan CountVectorizer. Algoritma Support Vector Machine (SVM) digunakan untuk menganalisis sentimen berdasarkan representasi topik yang dihasilkan. SMOTE dan GridSearch digunakan untuk meningkatkan performa model analisis sentimen. Hasil evaluasi menunjukkan bahwa NMF menghasilkan nilai coherence cv lebih tinggi dari LDA pada kedua feature extraction TF- IDF dan Count Vectorizer. Pemodelan topik NMF dengan Count Vectorizer menghasilkan 12 jumlah topik dengan nilai c_v tertinggi 0.744 setelah POS tagging sehingga meningkatkan tahap ekstraksi aspek ABSA. Kombinasi pemodelan topik dan sentimen analysis menghasilkan analisis yang lebih dalam dengan menunjukan aspek atau fitur yang memilki mayoritas sentimen tertentu.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Novianna Putri, Vernonia (00000054293)
Contributors:	Sony Eko Nugroho, Antonius (0314058005)
Keywords:	LDA, NMF , Topic Modeling
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 004 Computer Science, Data Processing, Hardware > 004.2 Systems Analysis and Design, Information Architecture, Performance Evaluation
Divisions:	Faculty of Engineering & Informatics > Information System
Date Deposited:	12 Jan 2026 08:02
URI:	https://kc.umn.ac.id/id/eprint/43241

Actions (login required)

View Item