Analisis Kepuasan Konsumen Teman Bus Menggunakan Machine Learning (Studi Kasus Instagram Teman Bus)

Muhammad Asyraff  A. Asmal; Syamsu Alam; Muh. Jamil

doi:10.31004/riggs.v5i2.9680

Authors

Muhammad Asyraff A. Asmal Universitas Negeri Makassar
Syamsu Alam Universitas Negeri Makassar
Muh. Jamil Universitas Negeri Makassar

DOI:

https://doi.org/10.31004/riggs.v5i2.9680

Keywords:

Transportasi Umum, Kepuasan Konsumen, Text Mining, Naive Bayes, Teman Bus

Abstract

Transportasi umum memiliki peran penting dalam mendukung mobilitas masyarakat dan mengurangi ketergantungan terhadap kendaraan pribadi. Salah satu program transportasi publik yang berkembang pesat di Indonesia adalah Teman Bus, yang menawarkan layanan gratis dan ramah lingkungan guna mendorong masyarakat beralih ke transportasi massal. Kehadiran Teman Bus di berbagai kota diharapkan mampu meningkatkan efisiensi perjalanan, mengurangi kemacetan, serta menekan tingkat polusi udara. Meskipun jumlah penggunanya terus meningkat, berbagai keluhan dan komentar negatif masih sering muncul di media sosial, khususnya Instagram. Hal ini menunjukkan perlunya pemahaman yang lebih mendalam mengenai tingkat kepuasan konsumen terhadap layanan yang diberikan Teman Bus. Penelitian ini menggunakan pendekatan kuantitatif melalui teknik text mining dan penyebaran kuesioner untuk memberikan gambaran komprehensif mengenai kepuasan konsumen. Data diperoleh dari 58 postingan dan 3.057 komentar pada akun resmi Instagram Teman Bus serta 40 responden kuesioner. Komentar dianalisis menggunakan algoritma Naïve Bayes untuk klasifikasi sentimen, sedangkan data kuesioner dianalisis secara deskriptif. Hasil penelitian menunjukkan bahwa aspek pembayaran dan promosi memperoleh tingkat kepuasan tertinggi karena dinilai praktis dan menguntungkan bagi pengguna. Sementara itu, aspek informasi layanan masih perlu ditingkatkan, terutama terkait jadwal keberangkatan, rute perjalanan, dan respons terhadap keluhan pengguna. Integrasi hasil analisis komentar dan kuesioner memberikan gambaran menyeluruh yang dapat menjadi dasar evaluasi dan perbaikan kualitas layanan Teman Bus di masa mendatang.

Downloads

Download data is not yet available.

References

[1]. Abdulrazzaq, L. R., Abdulkareem, M. N., Yazid, M. R. M., Borhan, M. N., & Mahdi, M. S. (2020). Traffic congestion: Shift from private car to public transportation.

[2]. Pang, B., Lee, L., & Vaithyanathan, S. (2008). Thumbs up? Sentiment Classification using Machine learning Techniques.

[3]. Sugiyono, D. (2010). Metode penelitian kuantitatif kualitatif dan R&D. In Penerbit Alfabeta.

[4]. Suradi Geistiar Yoga Pratama*, A. (2016). n. Diponegoro Law Journal, 5(Vol 5, No 3 (2016): Volume 5, Nomor 3, Tahun 2016), 1–19.

[5]. Nuraini, I. S., & Mudiantono, M. (2017). Diponegoro Journal of Management; Volume 6, Nomor 4, Tahun 2017.

[6]. Bryman, A. (2016). Social Research Methods. Oxford University

[7]. Gupta, A., Dengre, V., Kheruwala, H. A., & Shah, M. (2020). Text mining in Finance. Financial Innovation, 6(1), 1–25.

[8]. Sugiyono. (2019). Metode Penelitian Kuantitatif Kualitatif dan R&D. Bandung: Alfabeta.

[9]. Nuraini, I. S., & Mudiantono, M. (2017). Diponegoro Journal of Management; Volume 6, Nomor 4, Tahun 2017.

[10]. Sugiyono. (2017). Metode Penelitian Kuantitatif Kualitatif dan R&D. Bandung: Alfabeta.

[11]. Kurniawan, W. E., Rahayu, S., & Sundjoto. (2023). Jurnal Manajemen Dewantara, 17(3), 80–87.

[12]. Handika, Y. T., Defit, S., & Nurcahyo, G. W. (2022). Text mining Dalam Membandingkan Metode Naïve Bayes Dengan C.45 Dalam Mengidentifikasi Berita Hoax Pada Media Sosial.

[13]. Gupta, A., Dengre, V., Kheruwala, H. A., & Shah, M. (2020). Comprehensive review of text-mining applications in finance. Financial Innovation.

[14]. Ismanto, J. (2022). Manajemen Pemasaran In Unpam Press (Issue 1).

[15]. Quinlan, J., Sani, Y., Raca, D., & Sreenan, C. (2020). SMASH: a Supervised Machine learning Approach to Adaptive Video Streaming over.