Analisis Sentiment Pengguna Aplikasi Mobile Banking Pada Bank Syariah Dengan Support Vector Regression
DOI:
https://doi.org/10.52436/1.jpti.460Kata Kunci:
Analsisi Sentiment, Mobile Banking, Support Vector Regression, Text MiningAbstrak
Peningkatan layanan aplikasi mobile banking pada bank syariah yang telah tersedia di playstore dapat dilakukan dengan menggunakan analisis sentiment dengan mengumpulkan komentar dari pengguna layanan aplikasi mobile banking di playstore. Analisis ini akan memberikan wawasan tentang pengalaman penggunaan aplikasi yang dapat dijadikan acuan dalam pengembangan aplikasi. Penelitian ini menggunakan metode text mining dengan metode Support Vector Regression (SVR) karena metode SVR dapat menyelesaikan permasalahan overvitting dan memiliki tingkat akurasi yang tinggi. Data yang diperoleh pada aplikasi mobile banking Mega Syariah dan Jago Syariah, masing-masing 1.434 data dan 34.669. Hasil analisa menunjukan bahwa ulasana dari Jago Syariah lebih banyak daripada Mega Syariah. Hasil ini menunjukan bahwa basis dari pengguna Jago Syariah lebih banyak daripada Mega Syariah. Pengujian menggunakan metode SVR menunjukan nilai akurasi dari aplikasi Mega Syariah sebesar 98.12% sedangkan pada Jago Syariah mendapatkan nilai akurasi sebesar 98.18%. Hal tersebut menunjukan bahwa bahwa secara umum SVR dikatakan metode yang dapat memberikan akurasi yang tinggi pada analisis sentiment. Selain itu juga diperoleh bahwa pada aplikasi Mega Syariah menunjukan kata yang berkonotasi negatif adalah masuk dan daftar, sedangkan pada Jago Syariah kata yang berkonotasi negative adalah akun dan login. Temuan ini mengindikasikan bahwa pada kedua aplikasi tersebut perlu meningkatkan kemudahan dalam proses pendaftaran dan login dari pengguna.
Unduhan
Referensi
E. Nasution, D. Harahap, and M. W. R. Hutagalung, “Strategi Bank Syariah Indonesia dalam Menarik Masyarakat untuk Membayar Zakat,” J. Islam. Soc. Financ. Manag., vol. 3, no. 1, pp. 69–80, 2022, doi: 10.24952/jisfim.v3i1.5884.
Rachmawati Oktaria Mardiyanto, K. Kusrini, and Ferry Wahyu Wibowo, “Analisis Sentimen Pengguna Aplikasi Bank Syariah Indonesia Dengan Menggunakan Algoritma Support Vector Machine (SVM),” Tek. Teknol. Inf. dan Multimed., vol. 4, no. 1, pp. 9–15, 2023, doi: 10.46764/teknimedia.v4i1.85.
D. M. Sari, M. I. Fasa, and S. Suharto, “Fitur-Fitur Aplikasi Mobile Banking Bank Syaraih,” Al-Infaq J. Ekon. Islam, vol. 12, no. 2, p. 170, 2021.
F. A. Larasati, D. E. Ratnawati, and B. T. Hanggara, “Analisis Sentimen Ulasan Aplikasi Dana dengan Metode Random Forest,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 6, no. 9, pp. 4305–4313, 2022, [Online]. Available: http://j-ptiik.ub.ac.id
S. Fransiska and Yolanda, “Analisis sentimen twitter untuk review film menggunakan algoritma naive bayes classifier (nbc) pada sentimen r programming,” J. Siliwangi, vol. 5, no. 2, pp. 68–71, 2019.
A. Roihan, P. A. Sunarya, and A. S. Rafika, “Pemanfaatan Machine Learning dalam Berbagai Bidang: Review paper,” IJCIT (Indonesian J. Comput. Inf. Technol., vol. 5, no. 1, pp. 75–82, 2020, doi: 10.31294/ijcit.v5i1.7951.
R. G. Wardhana, G. Wang, and F. Sibuea, “Penerapan Machine Learning Dalam Prediksi Tingkat Kasus Penyakit Di Indonesia,” J. Inf. Syst. Manag., vol. 5, no. 1, pp. 40–45, 2023, doi: 10.24076/joism.2023v5i1.1136.
A. P. Risky Amanda, Hasbi Yasin, “Analisis Support Vector Regression (Svr) Dalam Memprediksi Kurs Rupiah Terhadap Dollar Amerika Serikat,” Concept Commun., vol. 3, no. 23, pp. 849–857, 2014.
D. I. Purnama, “Peramalan Jumlah Penumpang Datang Melalui Transportasi Udara Di Sulawesi Tengah Menggunakan Support Vector Regression (SVR),” J. Ilm. Mat. Dan Terap., vol. 17, no. 1, 2020, doi: 10.22487/2540766x.2020.v17.i1.15186.
N. D. Maulana, B. D. Setiawan, and C. Dewi, “Implementasi Metode Support Vector Regression (SVR) Dalam Peramalan Penjualan Roti (Studi Kasus: Harum Bakery),” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 3, no. 3, pp. 2986–2995, 2019, [Online]. Available: http://j-ptiik.ub.ac.id
Normah, B. Rifai, S. Vambudi, and R. Maulana, “Analisa Sentimen Perkembangan Vtuber Dengan Metode Support Vector Machine Berbasis SMOTE,” J. Tek. Komput. AMIK BSI, vol. 8, no. 2, pp. 174–180, 2022, doi: 10.31294/jtk.v4i2.
V. K. S. Que, A. Iriani, and H. D. Purnomo, “Analisis Sentimen Transportasi Online Menggunakan Support Vector Machine Berbasis Particle Swarm Optimization,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 9, no. 2, pp. 162–170, 2020, doi: 10.22146/jnteti.v9i2.102.
R. N. Fahmi, N. Nursyifa, and A. Primajaya, “Analisis Sentimen Pengguna Twitter Terhadap Kasus Penembakan Laskar Fpi Oleh Polri Dengan Metode Naive Bayes Classifier,” JIKO (Jurnal Inform. dan Komputer), vol. 5, no. 2, pp. 61–66, 2021, [Online]. Available: https://ejournal.akakom.ac.id/index.php/jiko/article/view/437/0
N. M. Aruan, G. W. Simanjuntak, and A. I. Siagian, “Pendekatan Algoritma Support Vector Regression Dalam Memprediksi Harga Cryptocurrency (Studi Kasus: Binance),” J. Tek. Inform. dan Sist. Inf., vol. 10, no. 3, 2023, [Online]. Available: http://jurnal.mdp.ac.id
A. N. Safira, B. Warsito, and A. Rusgiyono, “Analisis Support Vector Regression (SVR) Dengan Algoritma Grid Search Time Series Cross Validation Untuk Prediksi Jumlah Kasus Terkonfirmasi Covid-19 Di Indonesia,” J. Gaussian, vol. 11, no. 4, pp. 512–521, 2023, doi: 10.14710/j.gauss.11.4.512-521.
