<![CDATA[Analisis sentimen pada ulasan aplikasi keuangan menghadapi tantangan utama berupa kompleksitas bahasa pengguna, seperti penggunaan istilah teknis, gaya bahasa informal, serta keberagaman konteks yang sering kali sulit ditangkap oleh model klasifikasi konvensional. Untuk menjawab tantangan tersebut, penelitian ini bertujuan secara eksplisit untuk membandingkan performa model tunggal Convolutional Neural Network (CNN), Support Vector Machine (SVM) berbasis Word2Vec, dan model transformer IndoBERT dengan metode ensemble learning guna meningkatkan akurasi analisis sentimen pada aplikasi Reku. Popularitas cryptocurrency di Indonesia yang terus meningkat menjadikan analisis sentimen sebagai alat penting untuk memahami opini dan tingkat kepuasan pengguna terhadap platform seperti Reku. Dalam penelitian ini, pendekatan ensemble learning diterapkan dengan mengombinasikan ketiga model tersebut menggunakan metode soft voting dan weighted soft voting. Evaluasi performa dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score untuk menilai efektivitas penggabungan model dibandingkan model tunggal. Hasil eksperimen menunjukkan bahwa metode ensemble, khususnya weighted soft voting, menghasilkan performa terbaik dengan akurasi mencapai 90,2%, melampaui seluruh model tunggal. Sebagai bentuk implementasi, model terbaik dibangun ke dalam aplikasi berbasis web menggunakan Streamlit sebagai alat bantu untuk menganalisis opini pengguna terhadap aplikasi Reku secara praktis dan interaktif.]]>
