EKSPLORASI TECHNOSTRESS PADA ULASAN PENGGUNA GOPAY MENGGUNAKAN BERTOPIC  DAN ALGORITMA NAÏVE BAYES  - Dalam bentuk pengganti sidang - Artikel Jurnal

ALIFFIA HANIFAH

Informasi Umum

Kode

25.04.5226

Klasifikasi

000 - General Works

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Data Mining

Dilihat

71 kali

Informasi Lainnya

Abstraksi

Perkembangan layanan keuangan digital sebagai alat pembayaran elektronik yang semakin populer di Indonesia termasuk adanya e-wallet seperti GoPay. Banyaknya jumlah pengguna, menggarisbawahi pentingnya analisis terhadap ulasan pengguna untuk memahami persepsi dan pengalaman pengguna dalam memanfaatkan layanan tersebut. Pemanfaatan e-wallet juga dapat memicu technostress, salah satu pendekatan yang dapat digunakan untuk menggali informasi dari ulasan yaitu analisis sentimen dan klasifikasi aspek yang memicu technostress. Penelitian ini bertujuan untuk mengidentifikasi aspek-aspek dalam ulasan pengguna aplikasi GoPay yang berpotensi memicu technostress, dengan menggabungkan pendekatan sentiment analysis, topic modeling, dan ABSA. Data yang digunakan berasal dari ulasan pengguna GoPay dalam Bahasa Indonesia melalui teknik scraping di Google Play Store, diperoleh 100.000 baris data ulasan dalam rentang waktu 7 April 2023 hingga 1 Desember 2024. Dalam tahap klasifikasi sentimen, digunakan algoritma Naïve Bayes dengan teknik pembobotan kata TF-IDF, yang diuji dalam tiga skenario rasio data latih dan data uji: 75:25, 80:20, dan 90:10. Hasil evaluasi menunjukkan bahwa rasio 90:10 memberikan performa terbaik dengan akurasi sebesar 0.8514 pada data latih dan 0.8425 pada data uji. Selanjutnya, pemodelan topik BERTopic menghasilkan 8 topik utama dan topik optimal berada di topik 5 dengan nilai coherence score 0.7231. Tersebut kemudian dikelompokan ke dalam 5 aspek termasuk Feature & Functionality, Privacy, App Interface, User Satisfaction, dan Customer Service. Analisis lanjutan dengan ABSA menunjukkan bahwa distribusi ulasan terbanyak terdapat pada aspek App Interface, sementara aspek Customer Service memiliki jumlah ulasan paling sedikit. Aspek App Interface dan Privacy memiliki jumlah sentimen negatif yang tinggi mengindikasikan bahwa kedua aspek tersebut menjadi aspek pemicu technostress pengguna. <br /> Kata Kunci: ABSA, BERTopic, Naïve Bayes, Sentiment Analysis, Technostress, Ulasan Pengguna<br />