Ekstraksi Aspek Aksesibilitas untuk Peningkatan Pengalaman Pengguna Menggunakan NER dengan CNN dan LSTM

Irmma Dwijayanti; Alfirna  Rizqi Lahitani; Kartikadyota  Kusumaningtyas; Muhammad  Habibi

doi:10.37859/jf.v14i3.8032

Irmma Dwijayanti Universitas Jenderal Achmad Yani Yogyakarta
Alfirna Rizqi Lahitani Universitas Jenderal Achmad Yani Yogyakarta
Kartikadyota Kusumaningtyas Universitas Jenderal Achmad Yani Yogyakarta
Muhammad Habibi Universitas Jenderal Achmad Yani Yogyakarta

https://doi.org/10.37859/jf.v14i3.8032

Keywords: Aksesibilitas, Pengalaman Pengguna, CNN, NER, LSTM

Abstract

Transportasi online memberikan dampak positif bagi sebagian besar masyarakat, namun penggunaan aplikasi oleh penyandang disabilitas masih menghadapi sejumlah tantangan. Belum adanya fasilitas yang memadai dan pengalaman pengguna yang baik menjadi kendala utama. Realitas ini menunjukkan bahwa perlunya perhatian khusus terhadap prinsip aksesibilitas untuk meningkatkan pengalaman pengguna dan kenyamanan bagi penyandang disabilitas. Melalui ulasan pengguna dapat diidentifikasi aspek-aspek aksesibilitas untuk mendukung peningkatan pengalaman pengguna. Penelitian ini bertujuan mengekstraksi informasi dari ulasan pengguna terkait aksesibilitas menggunakan metode NER dengan pendekatan CNN dan LSTM. Data yang dikumpulkan melalui web scraping terdiri dari 6.255 ulasan aplikasi Gojek, Grab, Maxim, dan Indriver. Hasil evaluasi menunjukkan bahwa kedua model memiliki akurasi tinggi yaitu CNN 99,84%, dan LSTM 99,48%. Namun memerlukan perbaikan dalam mendeteksi entitas yang jarang muncul atau berkonteks kompleks. Hasil analisis menunjukkan bahwa ulasan lebih banyak membahas fitur aplikasi dan keluhan yang berkaitan dengan aksesibilitas. CNN lebih efektif dalam menangkap pola spesifik, sedangkan LSTM lebih kuat dalam menangkap variasi kata.

Downloads

Download data is not yet available.

References

Adi Ahdiat, “Gojek vs Grab, Mana yang Konsumennya Lebih Banyak?,” databoks.katadata.co.id, 2022. https://databoks.katadata.co.id/datapublish/2022/12/08/gojek-vs-grab-mana-yang-konsumennya-lebih-banyak.

Kementerian Koordinator Bidang Pembangunan Manusia dan Kebudayaan RI, “Pemerintah Penuhi Hak Penyandang Disabilitas di Indonesia,” https://www.kemenkopmk.go.id/, 2023. https://www.kemenkopmk.go.id/pemerintah-penuhi-hak-penyandang-disabilitas-di-indonesia (accessed Nov. 19, 2024).

S. D. Poerwanti, S. Makmun, and A. D. Dewantara, “Jalan Panjang Menuju Inklusi Digital bagi Penyandang Disabilitas di Indonesia,” J. Urban Sociol., vol. 7, no. 1, p. 44, 2024, doi: 10.30742/jus.v1i1.3536.

C. Matulessy and A. Purnama, “Analisis Sentimen Terhadap Review Pengguna Indrive Di Google Playstore Menggunakan Algoritma Support Vector Machine,” J. Darma Agung, vol. 31, no. 1, p. 1015, 2023, doi: 10.46930/ojsuda.v31i1.3078.

P. Kurniawati, R. Y. Fa’rifah, and D. Witarsyah, “Sentiment Analysis of Maxim Online Transportation App Reviews using Support Vector Machine (SVM) Algorithm,” Build. Informatics, Technol. Sci., vol. 5, no. 2, pp. 466–475, 2023, doi: 10.47065/bits.v5i2.4265.

D. S. Annam, A. Hananto, F. Nurapriani, and T. Tukino, “Clustering User Sentiment Transportasi Online Gojek Dan Grab Dengan Metode K-Means,” J. Tika, vol. 8, no. 2, pp. 164–171, 2023, doi: 10.51179/tika.v8i2.2165.

D. S. Ashari, B. Irawan, and C. Setianingsih, “Sentiment Analysis on Online Transportation Services Using Convolutional Neural Network Method,” Int. Conf. Electr. Eng. Comput. Sci. Informatics, pp. 335–340, 2021, doi: 10.23919/EECSI53397.2021.9624261.

I. D. F.- IxDF, “What is Accessibility?,” Interaction Design Foundation - IxDF, 2016. https://www.interaction-design.org/literature/topics/accessibility.

F. S. Gharehchopogh and Z. A. Khalifelu, “Analysis and evaluation of unstructured data: Text mining versus natural language processing,” 2011 5th Int. Conf. Appl. Inf. Commun. Technol. AICT 2011, pp. 7–10, 2011, doi: 10.1109/ICAICT.2011.6111017.

K. A. Rokhman, B. Berlilana, and P. Arsi, “Perbandingan Metode Support Vector Machine Dan Decision Tree Untuk Analisis Sentimen Review Komentar Pada Aplikasi Transportasi Online,” J. Inf. Syst. Manag., vol. 3, no. 1, pp. 1–7, 2021, doi: 10.24076/joism.2021v3i1.341.

S. Kale and S. Govilkar, “Survey of Named Entity Recognition Techniques for Various Indian Regional Languages,” Int. J. Comput. Appl., vol. 164, no. 4, pp. 37–43, 2017, doi: 10.5120/ijca2017913621.

Github, “Mobile Content Accessibility Guidelines (MCAG),” getevinced.github.io, 2024. https://getevinced.github.io/mcag/about.

R. R. Sedik and A. D. E. Romadhony, “Information Extraction from Indonesian Crime News with Named Entity Recognition,” 15th Int. Conf. Knowl. Smart Technol. KST 2023, pp. 1–5, 2023, doi: 10.1109/KST57286.2023.10086789.

M. S. Hossain, N. Nayla, and A. A. Rassel, “Product Market Demand Analysis Using Nlp in Banglish Text With Sentiment Analysis and Named Entity Recognition,” 2022 56th Annu. Conf. Inf. Sci. Syst. CISS 2022, pp. 166–171, 2022, doi: 10.1109/CISS53076.2022.9751188.

M. Y. S. Dirgantara, M. A. Fauzi, and R. S. Perdana, “Penerapan Named Entity Recognition Untuk Mengenali Fitur Produk Pada Ecommerce Menggunakan Rule Template Dan Naive Bayes …,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 10, pp. 3912–3920, 2018, [Online]. Available: https://rama.unimal.ac.id/id/eprint/273/.

M. R. Haque, S. Akter Lima, and S. Z. Mishu, “Performance Analysis of Different Neural Networks for Sentiment Analysis on IMDb Movie Reviews,” 3rd Int. Conf. Electr. Comput. Telecommun. Eng. ICECTE 2019, pp. 161–164, 2019, doi: 10.1109/ICECTE48615.2019.9303573.

S. Gunathilaka and N. De Silva, “Aspect-based Sentiment Analysis on Mobile Application Reviews,” 22nd Int. Conf. Adv. ICT Emerg. Reg. ICTer 2022, pp. 183–188, 2022, doi: 10.1109/ICTer58063.2022.10024070.

A. Sri Widagdo, A. Ardiansyah, K. N. Qodri, F. E. Nugroho, and N. A. Rizky, “Analisis Sentimen Mobil Listrik di Indonesia Menggunakan Long-Short Term Memory (LSTM),” J. Fasilkom, vol. 13, no. 3, pp. 416–423, 2023, doi: 10.37859/jf.v13i3.6303.

A. A. N. A. Nugraha and I. B. M. Mahendra, “ Implementasi Long-Short Term Memory (LSTM) pada Klasifikasi Kategori Berita,” JELIKU (Jurnal Elektron. Ilmu Komput. Udayana), vol. 12, no. 3, pp. 563–568, 2023, [Online]. Available: https://ojs.unud.ac.id/index.php/JLK/article/view/92566.

Yudi Widhiyasana, Transmissia Semiawan, Ilham Gibran Achmad Mudzakir, and Muhammad Randi Noor, “Penerapan Convolutional Long Short-Term Memory untuk Klasifikasi Teks Berita Bahasa Indonesia,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 10, no. 4, pp. 354–361, 2021, doi: 10.22146/jnteti.v10i4.2438.

A. Cardova and A. Hermawan, “Implementasi Metode LSTM Untuk Mengklasifikasi Berita Palsu Pada PolitiFact,” J. Fasilkom, vol. 13, no. 3, pp. 471–479, 2023, doi: 10.37859/jf.v13i3.6175.

R. A. Sunan, H. F. E. K., and C. S. K. Aditya, “Klasifikasi Hoax Berita Politik Menggunakan Algoritma Long Short-Term Memory (LSTM) dengan Penambahan Fitur Embedding Global Vector (GloVe),” J. Edukasi dan Penelit. Inform., vol. 10, no. 2, p. 287, 2024, doi: 10.26418/jp.v10i2.76042.

I. Dwijayanti, M. Habibi, K. Kusumaningtyas, and S. Riyadi, “Tweets Classification of Mental Health Disorder in Indonesia Using LDA and Cosine Similarity,” Telemat. J. Inform. dan Teknol. Inf., vol. 21, no. 1, pp. 41–54, 2024, doi: 10.31515/telematika.v21i1.10725.

B. Zaman, E. Hariyanti, and E. Purwanti, “Sistem Deteksi Bahasa pada Dokumen menggunakan N-Gram,” J. Multinetics, vol. 1, no. 2, p. 21, 2015, doi: 10.32722/vol1.no2.2015.pp21-26.