TOPIC MODELING OF APP REVIEW IN GOOGLE PLAY BASED ON LATENT DIRICHLET ALLOCATION

AKBAR NAFISA JA'FAR, Sigit Priyanta, S.Si., M.Kom., Dr

2018 | Skripsi | S1 ILMU KOMPUTER

Beberapa tahun terakhir, aplikasi di Google Play berkembang dengan pesat. Hal ini membantu pengembang aplikasi untuk mendapatkan feedback dari pengguna aplikasi mereka melalui review. Review pada aplikasi berbeda dari review produk lainya. Review pada aplikasi yang populer melebihi kemampuan manusia untuk menyimpulkan sebuah informasi utama di dalamnya. Selebih itu, setiap aplikasi memiliki beberapa pembaharuan pada fitur mereka, sehingga review dapat bervariasi dari waktu ke waktu. Untuk itu dibutuhkan identifikasi topik dari review aplikasi untuk menemukan informasi apa saja yang sering dibahas dalam review pengguna. Dalam penelitian ini, penulis mencoba menganalisis topik dari review pengguna aplikasi pada Google Play dengan pemodelan topik Latent Dirichlet Allocation (LDA). Selain itu penulis juga menganalisis hasil topik dari LDA menggunakan Jensen-Shannon divergence dan Sliding Window untuk membantu memahami apa yang dikeluhkan pengguna dari waktu ke waktu. Penelitian ini menggunakan data review dari aplikasi Facebook pada Google Play mulai dari tanggal 3 Desember 2017 sampai 13 Maret 2018. Berdasarkan penelitian tersebut, pemodelan topik LDA terbukti mampu untuk mengidentifikasi komplain, bug atau kesalahan pada aplikasi. Hasil eksperimen LDA telah diuji kemudahanya untuk diinterpretasi oleh manusia melalui Word Intrusion Task. Kesimpulan yang didapatkan adalah topic yang dihasilkan LDA dapat diinterpretasi manusia dengan cukup baik. Selain itu, hasil dari analisis topik menggunakan Jensen-Shannon divergence dan Sliding Window berhasil mengidentifikasi masalah jangka panjang, masalah jangka pendek dan pergeseran topik.

In recent years, apps on Google Play are growing rapidly. It also help app developers to get feedback from their app users through reviews. Review on apps is different from other product reviews. Review on popular applications exceeds the human ability to identify key information therein. Furthermore, each app has several updates on their features, so reviews can vary over time. This requires to identify topics from app reviews to find what information is discussed in the reviews. In this study, the author tries to analyze the topic of the app reviews on Google Play with Latent Dirichlet Allocation (LDA) topic modeling. Moreover, the authors also analyze the results of the topic of LDA using Jensen-Shannon divergence and Sliding Window to help understand what users complain from time to time. This study use the review data from the Facebook app on Google Play from December 3, 2017 to March 13, 2018. Based on this research, the LDA topic modeling has proved to identify complaints, bugs or errors in the application. The results of LDA have been tested for its ease to be interpreted by humans through the Word Intrusion Task. The conclusion is the topic produced by LDA can be interpreted human quite well. Moreover, the results of topic analysis using Jensen-Shannon divergence and Sliding Window successfully identified long-term issues, short-term issues and topic shifts.

Kata Kunci : Latent Dirichlet Allocation, topic modeling, topic chain, Jensen-Shannon Divergence, sliding window, Facebook, Google Play