Ekstraksi Topik Ulasan Aplikasi M-Paspor Menggunakan Metode Bidirectional Long Short- Term Memory (BiLSTM) dan Latent Dirichlet Allocation (LDA)

Abstract

Pada era globalisasi, kebutuhan mobilitas individu semakin meningkat termasuk dalam melakukan perjalanan ke luar negeri. Paspor sebagai dokumen resmi yang memungkinkan seseorang untuk melakukan perjalanan antar negara menjadi semakin penting. Hal ini dibuktikan dengan melonjaknya volume permohonan paspor di seluruh Indonesia hingga tahun 2023, mencapai angka 5.053.315. Menyikapi hal ini, Direktorat Jenderal Imigrasi Kementerian Hukum dan Hak Asasi Manusia meluncurkan aplikasi M-Paspor. Aplikasi ini dirancang untuk mempermudah pengajuan permohonan paspor baru dan penggantian paspor secara online. Diharapkan, kemudahan ini dapat menjawab kebutuhan masyarakat akan layanan paspor yang lebih cepat dan efisien. Namun, implementasi M-Paspor masih menuai banyak keluhan dari pengguna. Pengguna merasa proses nya menjadi lebih rumit dan belum optimal dalam memenuhi kebutuhan mereka. Hal ini kemudian menjadi tantangan terutama dalam mengelola ulasan pengguna yang beragam dan panjang untuk mengoptimalkan aplikasi. Untuk mengatasi permasalahan tersebut, penelitian ini mengusulkan penggunaan metode Bidirectional Long Short-Term Memory (BiLSTM) dan Latent Dirichlet Allocation (LDA). BiLSTM, dengan keunggulannya yang dapat memproses kata-kata dalam dua arah sekaligus digunakan untuk melakukan klasifikasi ulasan aplikasi M-Paspor guna menilai sentimen pengguna berdasarkan komentar positif dan negatif. Selanjutnya, LDA digunakan untuk pemodelan topik dalam mengekstrak informasi dan mengkategorikan ulasan berdasarkan topik-topik utama yang muncul. Hasil dari ekstraksi topik ini dapat menjadi acuan bagi pihak terkait maupun tim pengembang untuk mengidentifikasi fitur atau aspek yang memerlukan perbaikan dan pembaruan. Berdasarkan analisis sentimen yang telah dilakukan terhadap 12.444 ulasan, ditemukan bahwa 86,6% bersentimen negatif, sementara 13,4% bersentimen positif. Sehingga dapat disimpulkan mayoritas pengguna merasa tidak puas dengan layanan yang diberikan oleh aplikasi M-Paspor. Pemodelan sentimen menggunakan Bidirectional Long Short-Term Memory (BiLSTM) dilakukan melalui optimasi parameter dengan pembagian data 70% untuk pelatihan dan 30% untuk pengujian. Konfigurasi parameter terbaik diperoleh dengan menggunakan 64 unit pada BiLSTM Layer, 16 neuron pada Dense Layer, dan 1 neuron pada Output Layer. Model ini dilengkapi dengan dropout 0.2, batch size 16, dan optimizer Adam berhasil mencapai akurasi hingga 98%. Hasil ini menunjukkan kinerja BiLSTM yang sangat baik dalam mengklasifikasikan sentimen pengguna