Analisis Sentimen Terhadap Ulasan Aplikasi Bsgtouch Menggunakan Algoritma Support Vector Machine

Semuel Fendy Ngalo; Irene R. H. T.  Tangkawarow; Kristofel  Santa

doi:10.33395/jmp.v14i2.15636

Authors

Semuel Fendy Ngalo Universitas Negeri Manado
Irene R. H. T. Tangkawarow Universitas Negeri Manado
Kristofel Santa Universitas Negeri Manado

DOI:

10.33395/jmp.v14i2.15636

Keywords:

Analisis Selntimeln, Ulasan Aplikasi, Mobilel Banking, Support Velctor Machinel, Normalisasi, Telrm Frelquelncy Invelrsel Documelnt Frelquelncy

Abstract

Analisis sentimen merupakan proses fundamental untuk mengekstrak opini publik dari ulasan pengguna aplikasi mobile banking, yang dianggap sebagai sumber data yang transparan dan menjadi indikator krusial bagi kepuasan serta risiko reputasi layanan digital. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi model klasifikasi sentimen guna menganalisis polaritas ulasan pengguna aplikasi BSGtouch yang diperoleh dari Google Play Store. Metode machine learning diterapkan dengan algoritma Support Vector Machine (SVM).

Dalam tahap pre-processing, data diperoleh melalui web scraping, dibersihkan, dan difokuskan pada penggunaan normalisasi kata (kamus normalisasi) untuk menghasilkan kosakata fitur yang terkonsolidasi, kemudian dibobot menggunakan Term Frequency-Inverse Document Frequency (TF-IDF) sebelum model dilatih dan diuji.

Hasil analisis sentimen menunjukkan distribusi polaritas yang relatif seimbang, yakni 50,9% ulasan positif dan 49,1% ulasan negatif. Model yang dihasilkan membuktikan kinerja yang sangat kuat dan seimbang untuk kedua kelas dengan F1-score 0,89, mengindikasikan kecakapan prediktif yang setara untuk polaritas positif maupun negatif, dengan akurasi mencapai 88,35% pada data uji.

Pembahasan menunjukkan bahwa meskipun akurasi model tinggi, persentase sentimen negatif yang signifikan (49,1%) merefleksikan adanya isu kritis yang perlu segera ditangani. Kesimpulan penelitian ini secara empiris menegaskan bahwa temuan distribusi sentimen tersebut mengharuskan PT Bank SulutGo memprioritaskan penyelesaian masalah teknis pada aplikasi mobile banking BSGtouch demi menjaga dan meningkatkan kualitas layanan berdasarkan opini dari ulasan pengguna.

GS Cited Analysis

References

Akbarianto Wibowo, H., Nindyatama Nityasya, M., Felyza Akyürelk, A., Suci Fitriany, A., Fikri Aji, A., Elko Prasojo, R., & Tanti Wijaya, D. (2021). IndoCollex: A Testbed for Morphological Transformation of Indonesian Colloquial Words. Retrieved from www.kaggle.com/grikomsn/lazada-indonesian-reviews

Alfian, I. (2023). Penerapan Metode K-Means dalam Melakukan Pengelompokan Bencana Alam di Indonesia dengan Memanfaatkan Teknik Text Mining. Retrieved from https://jurnal.itg.ac.id

Amalia Putri, N., Srirahayu, A., & Arif Sudibyo, N. (2025). Analisis Sentimen terhadap Aplikasi KitaLulus menggunakan Metode Naïve Bayes dari Ulasan Google Play Store. Smart Comp: Jurnalnya Orang Pintar Komputer, 14(2). https://doi.org/10.30591/smartcomp.v14i2.7230

banksulutgo.co.id. (2024, September 29). BSGtouch. Retrieved September 29, 2024, from https://www.banksulutgo.co.id/product/read/layanan/26/bsgtouch.html

Gholamy, A., Krelinovich, V., & Kosheleva, O. (2018). A Pedagogical Explanation. Part of the Computer Sciences Commons. Retrieved from https://scholarworks.utep.edu/cs_techrep/1209

Karo Karo, I. M., Karo Karo, J. A., Yunianto, Y., Hariyanto, H., Falah, M., & Ginting, M. (2023). Analisis Sentimen Ulasan Aplikasi Info BMKG di Google Play menggunakan TF-IDF dan Support Vector Machine. Journal of Information System Research (JOSH), 4(4), 1423–1430. https://doi.org/10.47065/josh.v4i4.3943

Nelli, F. (2023). Python Data Analytics: Data Analysis and Science Using Pandas, Matplotlib, and the Python Programming Language (3rd ed.). Apress, Berkeley, CA. https://doi.org/10.1007/978-1-4842-9532-8

Palupi Permata Rahmi, Nur Aryanti, A., & Abdul Aziz, D. (2023). Pengaruh Kualitas Layanan Mobile Banking terhadap Kepuasan Nasabah Bank BCA. ARBITRASEL: Journal of Economics and Accounting, 3(3), 710–722. https://doi.org/10.47065/arbitrasel.v3i3.660

Putri Gabriella, Y. A. (2023). Optimasi Penerimaan Siswa Baru dengan Penerapan Algoritma Text Mining dan TF-IDF. Journal of Computing and Informatics Research, 2(3), 110–117. https://doi.org/10.47065/comforch.v2i3.941

Rahman Isnain, A., Indra Sakti, A., Alita, D., & Satya Marga, N. (2021). Sentimen Analisis Publik terhadap Kebijakan Lockdown Pemerintah Jakarta menggunakan Algoritma SVM. JDMSI, 2(1), 31–37. Retrieved from https://t.co/NfhnfMjtXw

Rorong, H. M., Santa, K., & Panggile Rantung, V. (2025). Sentimen Analisis U-17 pada Media Sosial X dengan Metode Support Vector Machine.

Saddam, M. A., Delwantara, E. K., & Solichin, A. (2023). Sentiment Analysis of Flood Disaster Management in Jakarta on Twitter using Support Vector Machines. Sinkron, 8(1), 470–479. https://doi.org/10.33395/sinkron.v8i1.12063

Solecha, K., & Irnawati, O. (2023). Komparasi Algoritma Support Vector Machine dan Naïve Bayes berbasis Particle Swarm Optimization pada Analisis Sentimen Ulasan Aplikasi Flip. Journal of Information Engineering and Educational Technology, Vol. 07.

Tumimomor, T. (2025). Analisis Sentimen dan Ujaran Kebencian Pemberitaan Online tentang IKN menggunakan Algoritma K-NN. The Indonesian Journal of Computer Science, 14(2). https://doi.org/10.33022/ijcs.v14i2.4810