ANALISIS SENTIMEN MASYARAKAT TERHADAP APLIKASI DIGITAL KORLANTAS POLRI PADA ULASAN GOOGLE PLAY STORE MENGGUNAKAN MODEL INDOBERT
Keywords:
Analisis Sentimen, IndoBERT, Layanan Digital, Korlantas Polri, Google Play StoreAbstract
Penelitian mengenai sentimen masyarakat terhadap aplikasi Digital Korlantas Polri berangkat dari kebutuhan untuk memahami bagaimana pengguna menilai kualitas dan kinerja layanan digital tersebut melalui ulasan yang mereka tinggalkan. Ulasan di Google Play Strore menjadi sumber informasi penting karena mencerminkan pengalaman langsung pengguna serta berbagai respon terkait kemudahan penggunaan, kendala teknis, maupun efektivitas layanan. Penelitian ini bertujuan mengidentifikasi sentiment Masyarakat terhadap aplikasi Digital Korlantas Polri melalui ulasan pengguna di Google Play Store menggunakan model IndoBERT. Sebanyak 2.000 ulasan terbaru dikumpulkan dan diproses melalui tehapan text cleaning, tokenisasi, serta klasifikasi sentiment menggunakan model transformer IndoBERT. Hasil peneltian menunjukan bahwa kategori positif mendominasi dengan persentase 71%, sedangkan sentiment negatif mencapai 26% dan netral 3%. Temuan tersebut diperkuat oleh visualisasi wordcloud yang menampilkan kata “cepat”, “mudah” dan “membantu” sebagai kata paling sering muncul dalam ulasan positif, sementara kata “error”, “gagal” dan “tidak bisa” dominan pada ulasan negative. Secara umum, aplikasi Digital Korlantas Polri mendapatkan penerimaan yang baik, meskipun masih terdapat keluhan mengenai kestabilan system serta proses verifikasi layanan. Penelitian ini terbatas pada sumber data dari Google Play Store sehingga belum menggambarkan persepsi pengguna di platform lain. Studi lanjutan direkomendasikan untuk mengintegrasikan data dari media sosial atau survey pengguna guna memberikan gambaran penerimaan publik yang lebih komprehensif.
References
A’la, F. Y. (2025). Edumatic : Jurnal Pendidikan Informatika Optimasi Klasifikasi Sentimen Ulasan Game Berbahasa Indonesia : IndoBERT dan SMOTE untuk Menangani Ketidakseimbangan Kelas. 9(1), 256–265. https://doi.org/10.29408/edumatic.v9i1.29666
Ainul Lutpi, S., Febriansyah Rohimat, M., Alpin, & Wijaya Laksana, M. (2022). Netizen’s Reception of Covid-19 Vaccination Policy Communication Through Instagram Account @kemenkes_ri. 14(1), 65–77.
Ariannor, W., Kusuma, E. A., & Arsyad, M. (2024). Analyzing User Sentiments in Motor Vehicle Tax Applications Using the Naïve Bayes Algorithm.
Dharmawan, S., Christanti, V., Novario, M., & Perdana, J. (2023). Klasifikasi Ujaran Kebencian Menggunakan Metode FeedForward Neural Network ( IndoBERT ). Jurnal Ilmu Komputer Dan Sistem Informasi Fakultas Teknologi Informasi Universitas Tarumanegara, 1–6.
Fauzan, F. J., Afdal, M., Novita, R., & Mustakim. (2024). Penerapan Machine Learning Pada Analisis Sentimen Aplikasi MyTelkomsel Menggunakan Data Ulasan Google Playstore. 13(1), 4747–4761.
Febriyanto, T., Solichin, A., Widhyanty, W., Informatika, T., Informasi, F. T., Luhur, U. B., Selatan, J., & Sentimen, A. (2024). ANALISIS SENTIMEN ULASAN PENGGUNA GOJEK DAN INDRIVE PADA GOOGLE PLAYSTORE DENGAN ALGORITMA K-NEAREST SENTIMENT ANALYSIS OF USER REVIEWS FOR GOJEK AND INDRIVE ON GOOGLE PLAYSTORE USING THE K-NEAREST NEIGHBOR ALGORITHM. 21(2).
Firmansyah, D. (2022). Teknik Pengambilan Sampel Umum dalam Metodologi Penelitian : Literature Review General Sampling Techniques in Research Methodology : Literature Review. 1(2), 85–114.
Iskandar, T., Maulana, Z., & Bukhori, A. F. (2022). Model Klasifikasi Berbasis Multiclass Classification dengan Kombinasi Indobert Embedding dan Long Short- Term Memory untuk Tweet Berbahasa Indonesia ( Classification Model Based on Multiclass Classification with a Combination of Indobert Embedding and Long Short-Term Memory for Indonesian-language Tweets ). 1(1), 1–28.
Kamelia Cindy Astuti, Andri Firmansyah, A. R. (2024). Implementasi Text Mining untuk Analisis Sentimen Masyarakat terhadap Ulasan Aplikasi Digital Korlantas Polri pada Google Play Store. 8, 383–394.
Kamil Muhdin, R., Engkus, & Herabudin. (2022). Penerapan E-Government Melalui Aplikasi SIBADRA. 1(1), 65–74.
Khairunnisa, S., & Faraby, S. Al. (2021). Pengaruh Text Preprocessing terhadap Analisis Sentimen Komentar Masyarakat pada Media Sosial Twitter ( Studi Kasus Pandemi. 5(April), 406–414. https://doi.org/10.30865/mib.v5i2.2835
Komarudin, A., & Hilda, A. M. (2024). Analisis Sentimen Ulasan Aplikasi Identitas Kependudukan Digital Pada Play Store Menggunakan Metode Naïve Bayes. 4(1), 28–36.
Koto, F., Rahimi, A., Han Lau, J., & Baldwin, T. (2020). IndoLEM and IndoBERT: A Benchmark Dataset and Pre-trained Language Model for Indonesian NLP. Cornell University.
Kudo, T., & Richardson, J. (2018). SentencePiece: A simple and language independent subword tokenizer and detokenizer for Neural Text Processing. Google, Inc.
Larasati, F. A., Ratnawati, D. E., & Hanggara, B. T. (2022). Analisis Sentimen Ulasan Aplikasi Dana dengan Metode Random Forest. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 6(9), 4305–4313.
Lidya Stefany Wara, Lintje Kalangi, H. G. (2021). Jurnal Riset Akuntansi dan Auditing “GOODWILL”, 1 2 (1), 2021. 2(1), 1–15.
Marutho, D., & Utomo, V. G. (2025). Benchmarking IndoBERT and Transformer Models for Sentiment Classification on Indonesian E-Government Service Reviews. 23(1), 85–95.
Nafi, A., Tri, A., Harjanta, J., Herlambang, B. A., & Fahmi, S. (2024). Analisis Sentimen Review Pelanggan Lazada dengan Sastrawi Stemmer dan SVM-PSO untuk Memahami Respon Pengguna. 204, 330–339.
Nugroho, R., Azka, N., Sayudha, W., & Graha, R. (2025). Analisis Sentimen Ulasan Aplikasi Mobile JKN di Google PlayStore Menggunakan IndoBERT. 9(June), 495–505.
Rahmawati, I., Fitriani, T. R., Yunizar, A., & Yusuf, P. (2024). Analisis Sentimen Menggunakan Algoritma Naïve Bayes Pada Aplikasi m-BCA berdasarkan Ulasan Pengguna di Google Play Store. 1(2), 38–42.
Razka, M. H., & Chamidah, N. (2023). Analisis Sentimen Terhadap Aplikasi Peduli Lindungi pada Jejaring Sosial Twitter Menggunakan Aalgoritma Naïve Bayes dan Seleksi Fitur Particle Swarm Optimization. 4221(April), 68–80.
Sayarizki, P., Hasmawati, & Nurrahmi, H. (2024). Implementation of IndoBERT for Sentiment Analysis of Indonesian Presidential Candidates. 9(August), 61–72. https://doi.org/10.34818/indojc.2024.9.2.934
Setiabudi, R., Made, N., Iswari, S., & Rusli, A. (2021). Enhancing text classification performance by preprocessing misspelled words in Indonesian language. 19(4), 1234–1241. https://doi.org/10.12928/TELKOMNIKA.v19i4.20369
Stefany Wara, L., Kalangi, L., & Gamaliel, H. (2021). Pengujian Model Kesuksesan Sistem Informasi Delone Dan Mclean Pad Sistem Aplikasi Pemeriksaan (SIAP) Di Badan Pemeriksa Keuangan Republik Indonesia Perwakilan Provinsi Sulawesi Utara. 2(1), 1–15.
Suarna, N., & Prihartono, W. (2024). Penerapan NLP (Natural Language Processing) Dalam Analisis Sentimen Pengguna Telegram Di Playstore. 8(2), 1841–1846.
Tobing, C. J. L., Wijayakusuma, I. G. N. L., & Ida, L. P. (2025). Perbandingan Kinerja IndoBERT dan MBERT untuk Deteksi Berita Hoaks Politik dalam Bahasa Indonesia. 14(1), 114–123.
Wahyu Sejati, Angkur Singh Bist, A. T. (2023). Pengembangan Analisis Sentimen dalam Rekayasa Software Engineering menggunakan tinjauan literatur sistematis. 2(1), 95–103.
Wilie, B., Vincentio, K., Winata, G. I., Cahyawijaya, S., Li, X., Lim, Z. Y., Soleman, S., Mahendra, R., Fung, P., Bahar, S., & Purwarianti, A. (2019). IndoNLU: Benchmark and Resources for Evaluating Indonesian Natural Language Understanding.
Wirayudha, A., Murniyati, & Rosdiana. (2025). Analisis Sentimen Terhadap Ulasan Access By KAI Pada Google Play Store Menggunakan Metode Indobert. 3, 9–20.
