Analisis Sentimen Layanan Kereta Api Indonesia di Media Sosial X Menggunakan Inset Lexicon dan Latent Dirichlet Allocation

Abstract

Sistem transportasi umum Kereta Api Indonesia mengalami penurunan penumpang sejak dimulainya pandemi Covid-19. Berbagai langkah pemerintah, seperti lockdown dan penangguhan sementara transportasi umum, telah diterapkan. Setelah vaksin tersedia, pembatasan jarak diterapkan, dan transportasi umum mulai beroperasi, meskipun dengan regulasi khusus. Namun, perbandingan penumpang kereta api dari tahun 2020 hingga 2023 tidak sebesar tahun 2019. Dengan memanfaatkan data Twitter, penelitian ini bertujuan untuk menganalisis opini publik tentang transportasi kereta api Indonesia menggunakan analisis sentimen dengan InSet Lexicon, mengklasifikasikan pendapat publik sebagai positif, negatif, atau netral. Dataset, yang diperoleh dengan kata kunci "fasilitas kursi kereta," "harga tiket kereta," "ac kereta," "toilet kereta," terdiri dari 11.629 twit. Pra-pemrosesan dilakukan untuk mempersiapkan dataset, diikuti oleh KMeans Clustering untuk mengelompokkan twit serupa menjadi kluster. Hasilnya menghasilkan 7 kluster. Selanjutnya, pemodelan topik diterapkan menggunakan metode Latent Dirichlet Allocation (LDA) pada setiap kluster, mengungkap topik tersembunyi dalam data. Tujuh kluster terbentuk dari dataset penelitian, dan pemodelan topik LDA serta klasifikasi sentimen diterapkan pada masing-masing kluster, mengungkapkan beragam topik yang sering dibahas. Topik dominan melibatkan tiket, kursi, ekonomi, kereta, tegak, kelas, fasilitas, dan toilet. Setiap kluster secara dominan menunjukkan sentimen positif, disertai dengan berbagai kritik dan saran dari twit individu. Analisis ini bertujuan untuk memberikan rekomendasi untuk meningkatkan kualitas layanan Kereta Api Indonesia di masa depan.