Analisis Opini Pengguna Aplikasi New PLN Mobile Menggunakan Text Mining
Notice bibliographique
Résumé
Media sosial pada saat ini menjadi suatu media yang sangat populer untuk menyampaikan opini oleh masyarakat di Indonesia. Melalui media sosial pengguna dapat dengan mudah mengungkapkan pengalamannya terhadap suatu produk, salah satunya adalah aplikasi New PLN Mobile dari PT PLN (Persero). Aplikasi tersebut menjadi platform digital untuk memenuhi berbagai kebutuhan pelanggan terkait pelayanan ketenagalistrikan. Salah satu metode yang dapat dipakai untuk menganalisa opini pengguna adalah menggunakan text mining dengan pendekatan word cloud, network explorer, jenis emosi, dan analisis sentimen. Hasil penelitian menunjukkan bahwa analisis word cloud memberikan frekuensi komentar terkait keberadaan aplikasi, pengalaman pelanggan, fitur baru, informasi pelanggan, hingga interaksi dan komunikasi pada media sosial. Selanjutnya analisis network explorer menunjukkan bahwa kata yang saling berkaitan adalah “aplikasi pln mobile” dan “kemudahan layanan gangguan”. Analisa jenis emosi mengekspresikan sebagian besar pelanggan terkejut (surprise) dengan adanya aplikasi aplikasi New PLN Mobile. Analisis sentimen menunjukkan bahwa sebagian besar kluster pelanggan menunjukkan sentimen yang sangat positif terhadap keberadaan aplikasi New PLN Mobile.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,009 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».