<![CDATA[Perkembangan layanan perbankan digital mendorong institusi perbankan untuk terus meningkatkan kualitas aplikasi perbankan mobile banking untuk memenuhi kebutuhan dan kepuasan nasabah. Penelitian ini dilakukan untuk menganalisis serta membandingkan tingkat efektivitas algoritma klasifikasi sentimen yang meliputi SVM, Logistic Regression, dan IndoBERT untuk menganalisis opini pengguna yang disampaikan melalui ulasan aplikasi WONDR by BNI. Data penelitian diperoleh melalui proses ekstraksi umpan balik pengguna yang tersedia pada Google Play Store, yang memiliki jumlah ulasan 10.001. Setelah melalui tahap data cleaning, dataset berkurang menjadi 9.999 data karena penghapusan data duplikat dan data yang tidak valid, kemudian sebanyak 9.998 data digunakan pada tahap analisis setelah menghapus satu data yang tidak dapat diproses akibat karakter non-teks. Proses penelitian meliputi pemrosesan awal teks berbahasa Indonesia, pelabelan sentimen menggunakan Groq API berbasis Large Language Model (LLM), pembagian dataset menjadi data latih dan data uji dengan rasio 80:20, ekstraksi fitur TF-IDF untuk model SVM dan Logistic Regression, serta proses fine-tuning IndoBERT sebagai model berbasis transformer. Hasil dari pengujian menunjukkan bahwa IndoBERT yang telah disempurnakan memberikan hasil terbaik dengan accuracy sebesar 88,9%, presicion 89,3%, recall 88,9%, dan F1-score 89,1%. Sementara itu, SVM memperoleh accuracy 85,5%, precision 83,6%, recall 85,5%, dan F1-score 84,0%, sedangkan Logistic Regression memperoleh accuracy 85,5%, precision 83,5%, recall 85,5%, serta nilai F1-score sebesar 83,0%. Berdasarkan hasil penelitian, diketahui bahwa algoritma berbasis transformer menunjukkan kemampuan yang lebih unggul dalam konteks bahasa Indonesia jika dibandingkan dengan model machine learning berbasis TF-IDF. Hasil penelitian ini diharapkan dapat memberikan rujukan bagi peneliti maupun praktisi guna menentukan metode klasifikasi sentimen yang paling sesuai untuk mengevaluasi ulasan pengguna aplikasi perbankan digital berdasarkan data ulasan yang tersedia.]]>
Copyrights © 2026
