<![CDATA[Penelitian ini menganalisis sentimen ulasan pengguna terhadap layanan dan fitur yang ditawarkan oleh WONDR by BNI dengan menerapkan berbagai algoritma klasifikasi Machine Learning. Data diperoleh dari ulasan pengguna di Google Play Store, yang kemudian melalui tahap pra-pemrosesan teks, mencakup pembersihan data dan normalisasi, sebelum digunakan dalam pelatihan model klasifikasi. Studi ini membandingkan kinerja Support Vector Machine (SVM), Light Gradient Boosting Machine (LGBM), XGBoost, Random Forest, CatBoost, dan Naïve Bayes dalam mengklasifikasikan sentimen pengguna. Hasil evaluasi menunjukkan bahwa SVM memiliki akurasi tertinggi sebesar 0,881, diikuti oleh LGBM dengan akurasi 0,877, yang unggul dalam efisiensi waktu eksekusi sebesar 11,80 detik. XGBoost memperoleh akurasi sebesar 0,872, diikuti oleh Random Forest dengan akurasi 0,866, sementara CatBoost dan Naïve Bayes mencatatkan akurasi masing-masing sebesar 0,85 dan 0,72. Meskipun SVM menunjukkan kinerja terbaik dalam klasifikasi sentimen, algoritma ini memiliki kelemahan dalam hal waktu eksekusi yang lebih lama, yaitu 57,5 detik pada mesin dengan spesifikasi RAM 2 GB dan 2 vCPU. Sebaliknya, LGBM dan XGBoost, meskipun memiliki akurasi yang sedikit lebih rendah, menunjukkan efisiensi komputasi 47,5 detik lebih gegas, sehingga lebih optimal untuk implementasi dalam sistem berskala besar]]>
