<![CDATA[Ulasan pengguna aplikasi BRImo merupakan sumber informasi krusial, sehingga diperlukan metode analisis sentimen otomatis yang efektif untuk diolah menjadi wawasan bermakna. Namun, penggunaan bahasa tidak baku dan kesalahan pengetikan (typo) pada ulasan nasabah menjadi kendala utama. Salah satu kombinasi metode yang umum digunakan adalah TF-IDF dengan SVM, namun pendekatan ini memiliki keterbatasan dalam menangkap makna kontekstual kata yang berdampak pada rendahnya akurasi, serta belum adanya kesimpulan metode ekstraksi fitur mana yang paling efektif. Oleh karena itu, penelitian ini bertujuan untuk mengevaluasi perbedaan performa antara metode ekstraksi fitur berbasis frekuensi TF-IDF dengan metode berbasis word embedding seperti Word2Vec dan FastText, serta menguji pengaruh penerapan klasifikasi multi-aspek terhadap akurasi model dibandingkan analisis sentimen umum. Penelitian ini menggunakan 150 data ulasan pengguna yang dikumpulkan melalui survei dan Google Play Store, yang kemudian diolah melalui dua skenario pengujian: analisis sentimen umum dan analisis multi-aspek. Hasil penelitian menunjukkan bahwa pada skenario analisis sentimen umum, model FastText + SVM menghasilkan akurasi tertinggi dengan nilai F1-Score sebesar 0.71, Sementara itu, pada skenario analisis sentimen multi-aspek, model Word2Vec + SVM menunjukkan performa terbaik dengan nilai F1-Score sebesar 0.637. Sehingga dapat disimpulan metode ekstraksi FastText paling cocok digunakan pada analisis sentimen umum dan metode ekstraksi Word2Vec paling cocok digunakan pada analisis sentimen multi-aspek. Kata kunci: analisis sentimen, SVM, TF-IDF, Word2Vec, FastText, multi-aspek, BRImo ]]>
Copyrights © 2026
