Implementasi Metode Latent Dirichlet Allocation Pada Analisis Sentimen Berbasis Aspek Studi Kasus Aplikasi Spotify

Authors

  • Ester Gabriella Runtu Program Studi Informatika, Fakultas Sains dan Komputer, Universitas Kristen Immanuel
  • Sunneng Sandino Berutu Program Studi Informatika, Fakultas Sains dan Komputer, Universitas Kristen Immanuel
  • Jatmika Program Studi Informatika, Fakultas Sains dan Komputer, Universitas Kristen Immanuel

Keywords:

Analisis Sentimen , Aplikasi Spotify, Latent Dirichlet Allocation (LDA)

Abstract

Analisis Sentimen Berbasis Aspek (Aspect-Based Sentiment Analysis/ABSA) merupakan pendekatan penting dalam memahami opini pengguna terhadap fitur atau layanan tertentu dari suatu produk digital. Penelitian ini mengimplementasikan metode Latent Dirichlet Allocation (LDA) untuk mengidentifikasi aspek – aspek utama dalam ulasan pengguna aplikasi Spotify, serta mengklasifikasi sentimen pengguna terhadap setiap aspek. Data diperoleh dari 10.000 ulasan berbahasa Indonesia di Google Play Store menggunakan Teknik web scraping. Proses analisis melibatkan tahap text preprocessing, ekstraksi topik dangan LDA, pelabelan sentiment menggunakan kamus InSet Lexicon, serta evaluasi klasifikasi menggunakan algoritma Random Forest. Hasil penelitian menunjukkan bahwa terdapat tiga aspek utama yang sering dibahas oleh pengguna yaitu aspek Accessibility, Features, dan User Experience, dengan persebaran sentiment yang menunjukkan dominasi sentiment negative. Implementasi metode ini menunjukkan akurasi tinggi dalam klasifikasi aspek dan sentiment. Temuan ini memberikan kontribusi dalam menyediakan wawasan berbasis data yang dapat digunakan oleh pengembang Spotify untuk meningkatkan kualitas pengalaman pengguna secara lebih terarah

References

Aritonang, P. A., Johan, M. E., & Prasetiawan, I. (2022). Aspect-Based Sentiment Analysis on Application Review using Convolutional Neural Network. Ultima InfoSys : Jurnal Ilmu Sistem Informasi, 13(1), 54–61. https://doi.org/10.31937/si.v13i1.2684

Darusalam, T., Alam, S., Komara, M. A., Informatika, T., Tinggi, S., Wastukancana, T., Purwakarta, K., Barat, J., Sentimen, A., & Gain, I. (2024). ANALISIS SENTIMEN PENGGUNA SLIK OJK MENGGUNAKAN NAÏVE BAYES. 8(5), 8709–8716.

Fauzi, F., Abdulloh, F. F., Pambudi, I. R., Yogyakarta, U. A., Sleman, K., Informatika, J., Ilmu, F., Universitas, K., Yogyakarta, A., & Machine, S. V. (2021). ANALISIS SENTIMEN PENGGUNA YOUTUBE TERHADAP PROGRAM VAKSIN COVID-19. 141–148.

Fauziah, A. N. (2023). Analisis sentimen menggunakan naïve bayes classifier dan inset lexicon pada twitter (studi kasus: Mie Gacoan). Repository.Uinjkt.Ac.Id.

Hikmah, F. N., Basuki, S., & Azhar, Y. (2020). Deteksi Topik Tentang Tokoh Publik Politik Menggunakan Latent Dirichlet Allocation (LDA). Jurnal Repositor, 2(4), 415–426. https://doi.org/10.22219/repositor.v2i4.52

Karyono, Z. R., Mursityo, Y. T., & Az-Zahra, H. M. (2019). Analisis Perbandingan Pengalaman Pengguna Pada Aplikasi Music Streaming Menggunakan Metode UX Curve (Studi Pada Spotify dan JOOX). Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 3(7), 6422–6429. https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/5721

Khairunnisa, S., Adiwijaya, A., & Faraby, S. Al. (2021). Pengaruh Text Preprocessing terhadap Analisis Sentimen Komentar Masyarakat pada Media Sosial Twitter (Studi Kasus Pandemi COVID-19). Jurnal Media Informatika Budidarma, 5(2), 406. https://doi.org/10.30865/mib.v5i2.2835

Larasati, F. A., Ratnawati, D. E., & Hanggara, B. T. (2022). Analisis Sentimen Ulasan Aplikasi Dana dengan Metode Random Forest. 6(9), 4305–4313.

Mustofa, A., & Novita, R. (2022). Klasifikasi Sentimen Masyarakat Terhadap Pemberlakuan Pembatasan Kegiatan Masyarakat Menggunakan Text Mining Pada Twitter. Building of Informatics, Technology and Science (BITS), 4(1), 200–208. https://doi.org/10.47065/bits.v4i1.1628

Purnomo, A. (2022). Impementasi Web Scraping Pada OJS Dengan Metode CSS Selector. 3(2), 63–68.

Rahma Yustihan, S., & Pandu Adikara, P. (2021). Analisis Sentimen berbasis Aspek terhadap Data Ulasan Rumah Makan menggunakan Metode Support Vector Machine (SVM). Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 5(3), 1017–1023. http://j-ptiik.ub.ac.id

Sidiq, S., Mabrur, N. S., Informatika, S. T., Teknik, F., & Tangerang, U. M. (2025). Pengembangan Model Prediksi Risiko Diabetes Menggunakan Pendekatan AdaBoost dan Teknik Oversampling. 4, 13–23.

Yulita, W. (2021). Analisis Sentimen Terhadap Opini Masyarakat Tentang Vaksin Covid-19 Menggunakan Algoritma Naïve Bayes Classifier. Jurnal Data Mining Dan Sistem Informasi, 2(2), 1. https://doi.org/10.33365/jdmsi.v2i2.1344

Downloads

Published

2025-06-29

Issue

Vol. 3 No. 1 (2025): Mei 2025

Section

Articles

License

Copyright (c) 2025 Ester Gabriella Runtu, Sunneng Sandino Berutu, Jatmika

Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.