Analisis Opini Pengguna Aplikasi New PLN Mobile Menggunakan Text Mining
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 découle