Abstract:The ride-hailing service is now booming because it has been helped by internet technology, therefore many call this service online transportation. The magnitude of the potential for growth in online transportation service users also increases the risk of user satisfaction which could have declined therefore the company is increasing in its service. Both in terms of application and services provided by partners/drivers of the company. During each trip, the online transportation application will record device mo… Show more
“…Metode penelitian yang digunakan dalam penelitian ini mengacu pada SEMMA Data Mining Process. Metode SEMMA fokus pada modifikasi, penambangan data, dan permodelan yang dirancang untuk membantu pengguna software SAS enterprise miner [10]. Jika dibandingkan dengan metode proses data mining yang lain seperti CRISP-DM dan KDD, metode SEMMA memiliki tahapan yang sederhana sehingga memberikan keleluasaan pada penerapannnya Kelebihan dari metode ini tahapannya mudah dipahami dan dapat dijadikan pengembangan serta pemeliharaan proyek data mining yang terstruktur.…”
Section: Metode Penelitian Gambar 1 Alur Metode Penelitianunclassified
Pengguna internet di Indonesia setiap tahun terus mengalami peningkatan, Pesatnya pertumbuhan pengguna internet di Indonesia memicu pertumbuhan E-Businness yang secara perlahan mengubah pola konsumsi masyarakat, khususnya masyarakat kota. Misalnya dalam pengguna jasa transportasi, pengguna umumnya cenderung menggunakan transportasi online dari pada transportasi konvensional. Hal ini merupakan bukti meningkatnya pola transportasi praktis di kalangan masyarakat. Grab Indonesia adalah salah satu Perusahaan ojek online terkemuka di Indonesia dan memiliki jumlah pelanggan cukup besar di Indonesia. Tingkat kepuasan yang bervariasi terhadap layanan yang diberikan, sehingga pasti ada saran dan keluhan dari para pelanggan. Analisi sentiment dapat dijadikan salah satu solusi untuk mengetahui tingkat kepuasan aplikasi guna meningkatkan sistem dan pelayanan. Peneliti mengambil permasalahan dari aplikasi Grab untuk mengetahui klasifikasi dari ulasan yang bersentimen positif ataupun negatif kemudian menerapkan klasifikasi dapat diupayakan melalui pendekatan perbandingan antara metode Naïve Bayes guna mengetahui hasil akurasi dari ulasan pengguna Aplikasi Grab yang ada di Google Playstore. Dari hasil penelitian terhadap analisis sentimen pengguna aplikasi Grab didapatkan hasil klasifikasi positif sebanyak 1677 dan sentimen negatif sebanyak 69 data teks artinya pengguna banyak memberikan komentar positif terhadap aplikasi Grab. Dan hasil klasifikasi menggunakan metode Naïve Bayes didapatkan hasil acuracy sebesar 84,36% precision 99,64% dan recall 87,12%.
“…Metode penelitian yang digunakan dalam penelitian ini mengacu pada SEMMA Data Mining Process. Metode SEMMA fokus pada modifikasi, penambangan data, dan permodelan yang dirancang untuk membantu pengguna software SAS enterprise miner [10]. Jika dibandingkan dengan metode proses data mining yang lain seperti CRISP-DM dan KDD, metode SEMMA memiliki tahapan yang sederhana sehingga memberikan keleluasaan pada penerapannnya Kelebihan dari metode ini tahapannya mudah dipahami dan dapat dijadikan pengembangan serta pemeliharaan proyek data mining yang terstruktur.…”
Section: Metode Penelitian Gambar 1 Alur Metode Penelitianunclassified
Pengguna internet di Indonesia setiap tahun terus mengalami peningkatan, Pesatnya pertumbuhan pengguna internet di Indonesia memicu pertumbuhan E-Businness yang secara perlahan mengubah pola konsumsi masyarakat, khususnya masyarakat kota. Misalnya dalam pengguna jasa transportasi, pengguna umumnya cenderung menggunakan transportasi online dari pada transportasi konvensional. Hal ini merupakan bukti meningkatnya pola transportasi praktis di kalangan masyarakat. Grab Indonesia adalah salah satu Perusahaan ojek online terkemuka di Indonesia dan memiliki jumlah pelanggan cukup besar di Indonesia. Tingkat kepuasan yang bervariasi terhadap layanan yang diberikan, sehingga pasti ada saran dan keluhan dari para pelanggan. Analisi sentiment dapat dijadikan salah satu solusi untuk mengetahui tingkat kepuasan aplikasi guna meningkatkan sistem dan pelayanan. Peneliti mengambil permasalahan dari aplikasi Grab untuk mengetahui klasifikasi dari ulasan yang bersentimen positif ataupun negatif kemudian menerapkan klasifikasi dapat diupayakan melalui pendekatan perbandingan antara metode Naïve Bayes guna mengetahui hasil akurasi dari ulasan pengguna Aplikasi Grab yang ada di Google Playstore. Dari hasil penelitian terhadap analisis sentimen pengguna aplikasi Grab didapatkan hasil klasifikasi positif sebanyak 1677 dan sentimen negatif sebanyak 69 data teks artinya pengguna banyak memberikan komentar positif terhadap aplikasi Grab. Dan hasil klasifikasi menggunakan metode Naïve Bayes didapatkan hasil acuracy sebesar 84,36% precision 99,64% dan recall 87,12%.
“…Pendekatan yang digunakan dalam penelitian ini adalah Metode SEMMA (Sample, Explore, Modify, Model, Assess), yang terbukti efektif dalam analisis sentimen [10]. Metode SEMMA memberikan keleluasaan dan fleksibilitas yang dibutuhkan dalam menghadapi kompleksitas kasus analisis sentimen dan fokus pada pengelolaan sampel data dengan langkah-langkah yang terstruktur [11]. Penelitian ini menggunakan tiga label sentimen yaitu positif, negatif dan netral dengan kriteria sentimen positif mencakup ulasan yang mengandung pujian, kepuasan, dan saran positif terkait aplikasi sedangkan sentimen negatif meliputi ulasan yang berisi keluhan, umpatan, dan sarkasme terhadap aplikasi [12].…”
Salah satu aplikasi pinjaman uang online populer di Google Play Store yaitu aplikasi AdaKami. Bagi calon pengguna, ulasan mampu memberikan detail pengalaman penggunaan aplikasi. Bagi pihak perusahaan, ulasan pengguna dapat menjadi acuan evaluasi aplikasi. Masalah yang ditemukan yaitu jumlah dan keragaman ulasan pengguna aplikasi AdaKami yang tidak efisien untuk dibaca satu per satu sehingga perlu dilakukan analisis sentimen dan pemodelan. Tujuan penelitian ini yaitu mengetahui reputasi aplikasi berdasarkan sentimen dominan dalam ulasan pengguna dan membuat model analisis sentimen yang optimal. Penelitian ini menggunakan Metode SEMMA, dengan 1.000 data ulasan bersumber dari Google Play Store, melalui proses sampling dan labelling (negatif, positif, netral). Dalam pemodelan analisis sentimen, diujicobakan tiga variabel yaitu metode pelabelan (manual dan leksikon), algoritma (SVM dan KNN) dan proporsi pembagian data (data latih : data uji = 90:10, 80:20, 70:30, 60:40 dan 50:50) yang disajikan dalam bentuk 20 skenario. Hasil penelitian menunjukkan bahwa sentimen paling dominan adalah positif dan model paling optimal yaitu model skenario 6 yang menggunakan algoritma SVM, metode pelabelan manual dan proporsi 90:10. Model tersebut memiliki performa 93% accuracy, 93% precision, 93% recall dan 92% f1-score.
“…Online car-hailing is a relatively new industry, but taxis and online car-hailing have strong similarities, and the demand forecasting of both can learn from each other. Sitorus [20] et al used a support vector machine (SVM) algorithm to analyze the obtained telematic data and predict the risk of online transportation trips. Stefano et al [21] considered multisource datasets, considered the correlation between travel demand and flow, and extended the Kalman Filter theory to the Local Ensemble Transformed Kalman Filter (LETKF) to predict the travel demand of online car-hailing.…”
As a flourishing basic transportation service in recent years, online car-hailing has made great achievements in metropolitan cities. Accurate spatiotemporal forecasting plays a significant role in the deployment of a network for online car-hailing demand services. A self-attention mechanism in convolutional long short-term memory (ConvLSTM) is proposed to accurately predict the online car-hailing demand. It can more effectively address the disadvantage that ConvLSTM is not good at capturing spatial correlation over a large spatial extent. Furthermore, it can generate features by aggregating pair-wise similarity scores of features at all positions of input and memory, and thus obtain the function of long-range spatiotemporal dependencies. First, the online car-hailing trajectories dataset was converted into images after geographic grid matching, and image enhancement was performed by cropping. Then, the effectiveness of the ConvLSTM embedded with a self-attention mechanism (SA-ConvLSTM) was demonstrated by comparing it to existing models. The experimental results showed that the proposed model performed better than the existing models, and including spatiotemporal information in images would perform better predictions than including spatial information in time-series pixels.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.