Article Per Year (5 Year)
p-Index From 2021 - 2026
1.789
P-Index
This Author published in this journals
All Journal Civil Law JUTECH : Journal Education and Technology JAMAIKA: Jurnal Abdi Masyarakat Abdi Jurnal Publikasi Journal of Research and Publication Innovation OKTAL : Jurnal Ilmu Komputer dan Sains Journal of Innovative and Creativity Jurnal PRINTER : Jurnal Pengembangan Rekayasa Informatika dan Komputer
ANDRIAN HIDAYAT
Unknown Affiliation
Astronomy Chemistry Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Education Electrical & Electronics Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Mathematics Social Sciences Other

Published : 11 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 11 Documents
Search

 1   2 
Analisis Sentimen pada Ulasan Aplikasi FinTech di Indonesia: Studi Komparatif Model Machine Learning dan Deep Learning Fauzi, Ahmad; Fuadi, Achmad Lutfi; Yunial, Agus Heri; Hidayat, Andrian; Napila, Ade
Journal of Innovative and Creativity Vol. 6 No. 1 (2026)
Publisher : Fakultas Ilmu Pendidikan Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/joecy.v6i1.6939

Abstract

Pertumbuhan sektor Teknologi Finansial (FinTech) telah menjadikan umpan balik pelanggan dari platform digital sebagai sumber penting untuk pengambilan keputusan strategis. Namun, volume dan ketidakstrukturan data, khususnya dalam bahasa informal seperti Bahasa Indonesia, menimbulkan tantangan analitis yang signifikan. Penelitian ini bertujuan untuk mengidentifikasi pipeline optimal untuk klasifikasi sentimen pada ulasan pengguna Livin' by Mandiri, super-app perbankan digital Indonesia. Kami melakukan analisis komparatif menggunakan dataset dunia nyata berisi 117.471 ulasan yang tidak seimbang (55% negatif, 31% positif, 14% netral) yang dibersihkan dari Google Play Store. Dua teknik vektorisasi teks, Bag-of-Words (BoW) dan TF-IDF, diuji pada empat classifier machine learning: Random Forest, Logistic Regression, Decision Tree, dan SVM, serta dibandingkan dengan model Deep Learning berbasis Long Short-Term Memory (LSTM). Hasilnya menunjukkan bahwa model LSTM unggul dengan akurasi 98,02% dan weighted F1-score 0,99, sementara model machine learning terbaik, Logistic Regression dengan TF-IDF, menghasilkan weighted F1-score 0,92. Temuan ini menegaskan bahwa meskipun machine learning tradisional efektif, LSTM lebih unggul dalam menangkap konteks dalam data sekuensial yang kompleks dan tidak seimbang. Penelitian ini menawarkan kerangka kerja yang berguna bagi institusi keuangan untuk menerapkan sistem analisis sentimen otomatis yang akurat dan efektif.
Co-Authors A. Nurul Anwar Ade Napila Fauzi Ahmad Muda Fuadi, Achmad Lutfi Harahap, Muhammad Farhan Latip, Asep Abdul Napila, Ade Nur, Amri Muliawan Nurhidayati Nurhidayati Raihan Hari Dwiguna Ramadhani, Rima Fazri Yuliana Yuliana Yunial, Agus Heri