REKOMENDASI PENINGKATAN LAYANAN APLIKASI TEMAN BUS BERDASARKAN HASIL ANALISIS SENTIMEN ULASAN PENGGUNA DI GOOGLE PLAY STORE

Salah satu pengaruh dari peningkatan jumlah penggunaan kendaraan pribadi di Indonesia ialah kemacetan. Hal tersebut dapat menimbulkan sejumlah masalah lanjutan seperti polusi. Sehingga dapat memanfaatkan ketersediaan transportasi umum untuk mengurangi permasalahan tersebut. Pemerintah telah melakukan inovasi di sektor transportasi dengan menyediakan layanan transportasi Teman Bus yang penggunaannya disertai aplikasi. Namun dalam pemanfaatannya, ternyata aplikasi ini masih memiliki rating yang rendah dengan beberapa kekurangan yang dirasakan pengguna, terlihat dari ulasan aplikasi. Karena aplikasi ini dibuat untuk membantu masyarakat, maka setiap keluhan yang ada harus segera ditangani. Hal inilah yang mendorong peneliti untuk meneliti aplikasi Teman Bus, dengan menggunakan data ulasan pengguna dari situs Google Play Storse sejumlah 588 ulasan. Diharapkan penelitian ini dapat digunakan sebagai bahan pertimbangan peningkatan layanan pihak developer. Dilakukan analisis sentimen untuk mengklasifikasikan dataset menjadi 3 kelas, yaitu sentimen negatif, positif dan netral. Klasifikasi yang dilakukan mengimplementasikan algoritma naïve bayes dengan lima rasio perbandingan data training dan data testing. Dari hasil klasifikasi masing-masing rasio baik menggunakan sistem atau manual, didapatkan nilai akurasi tertinggi rasio 70:30, sebesar 80%. Secara umum pengguna masih memiliki kesan yang kurang baik terhadap aplikasi, terlihat dari jumlah rating tertinggi yang didapatkan dan dari sentimen negatif yang masih mendominasi. Diperoleh juga informasi pengguna mengenai topik pembicaraan yang berkaitan dengan aplikasi berupa kata bagus, bantu, mudah, mantap, dan lainnya, untuk kelas positif. Sedangkan kelas negatif seperti permasalahan jadwal, pembayaran, halte, force close dan lainnya. Disertakan juga fishbone diagram berdasarkan hasil ulasan negatif dengan 6 kategori yang digunakan untuk pemecahan masalah yang kemudian menghasilkan 31 rekomendasi perbaikan.