Analisis Sentimen Ulasan Aplikasi Halo BCA dengan Metode LSTM, Naive Bayes dan SVM

Jason Jusman, Jonathan (2025) Analisis Sentimen Ulasan Aplikasi Halo BCA dengan Metode LSTM, Naive Bayes dan SVM. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

[img] PDF
HALAMAN_AWAL.pdf

Download (546kB)
[img] PDF
BAB_I.pdf

Download (304kB)
[img] PDF
BAB_II.pdf

Download (614kB)
[img] PDF
BAB_III.pdf

Download (372kB)
[img] PDF
BAB_IV.pdf
Restricted to Registered users only

Download (1MB)
[img] PDF
BAB_V.pdf

Download (248kB)
[img] PDF
DAFTAR_PUSTAKA.pdf

Download (259kB)
[img] PDF
LAMPIRAN.pdf
Restricted to Registered users only

Download (338kB)

Abstract

Aplikasi Halo BCA merupakan salah satu layanan perbankan digital yang banyak digunakan oleh masyarakat Indonesia untuk berbagai kebutuhan transaksi dan layanan pelanggan. Seiring meningkatnya penggunaan aplikasi ini, ulasan pengguna yang terdapat di Google Play Store menjadi sumber informasi penting dalam mengevaluasi kualitas layanan. Analisis sentimen terhadap ulasan tersebut dapat memberikan wawasan berharga mengenai persepsi pengguna yang dapat dimanfaatkan oleh tim pengembang aplikasi dalam meningkatkan mutu dan responsivitas layanan digital perbankan. Penelitian ini menggunakan tiga metode klasifikasi sentimen, yaitu Long Short-Term Memory (LSTM), Naïve Bayes, dan Support Vector Machine (SVM). Proses dimulai dengan pengumpulan data ulasan dari Google Play Store, dilanjutkan dengan tahapan pre-processing seperti case folding, tokenisasi, stopword removal, dan stemming. Representasi fitur dilakukan menggunakan TF-IDF untuk model SVM dan Naïve Bayes, serta tokenisasi dan padding untuk LSTM. Untuk mengatasi ketidakseimbangan data antara sentimen positif dan negatif, diterapkan teknik SMOTE (Synthetic Minority Over-sampling Technique) sebelum proses pelatihan model. Evaluasi dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa penerapan SMOTE memberikan peningkatan performa pada seluruh model, khususnya pada LSTM yang sebelumnya kurang optimal. Model SVM mencatat akurasi tertinggi sebesar 82%, diikuti oleh LSTM dengan 81%, dan Naïve Bayes sebesar 77%. SVM dinilai sebagai model paling konsisten dan seimbang dalam mengklasifikasikan kedua kelas sentimen. Dengan hasil ini, model SVM direkomendasikan untuk diimplementasikan dalam sistem pemantauan ulasan secara otomatis. Penelitian ini diharapkan dapat menjadi dasar pengambilan keputusan strategis dalam pengembangan layanan aplikasi Halo BCA yang lebih adaptif terhadap opini dan kebutuhan pengguna.

Item Type: Thesis (Bachelor Thesis)
Keywords: Aplikasi Halo BCA, Analisis Sentimen, LSTM, Naïve Bayes, SVM, SMOTE, Ulasan Pengguna
Subjects: ?? T70 ??
Divisions: Faculty of Engineering & Informatics > Information System
SWORD Depositor: Administrator UMN Library
Depositing User: Administrator UMN Library
Date Deposited: 02 Jul 2025 11:16
Last Modified: 02 Jul 2025 11:16
URI: https://kc.umn.ac.id/id/eprint/37619

Actions (login required)

View Item View Item