EVALUASI KINERJA LOGISTIC REGRESSION DAN MULTINOMIAL NAÏVE BAYES DALAM KLASIFIKASI SENTIMEN MOBILE BANKING

Agil Aryanusa

doi:10.23960/jitet.v13i3S1.7687

Authors

Agil Aryanusa Universitas Islam Majapahit

DOI:

https://doi.org/10.23960/jitet.v13i3S1.7687

Abstract Views: 48 File Views: 23

Keywords:

Logistic Regression, Multinomial Naive Bayes, Sentiment Analysis, Mobile Banking

Abstract

Dengan pesatnya perkembangan teknologi digital, aplikasi mobile banking telah menjadi kebutuhan utama bagi masyarakat modern. Namun, keluhan pengguna terkait bug dan gangguan teknis sering kali muncul, yang dapat menurunkan kualitas layanan. Penelitian ini bertujuan untuk mengevaluasi sentimen pengguna terhadap fitur-fitur aplikasi mobile banking dengan membandingkan performa algoritma Logistic Regression dan Multinomial Naïve Bayes. Analisis sentimen ini penting untuk memahami persepsi publik secara objektif. Data ulasan pengguna dari empat aplikasi mobile banking populer (blu by BCA, BRImo, BNI Mobile Banking, dan Livin’ by Mandiri) dikumpulkan dari Google Play Store sebanyak 50.000 data per-aplikasi, dengan total 200.000 data. Proses penelitian meliputi pengumpulan data, preprocessing (cleaning, case folding, tokenization, normalization, stopword removal, dan stemming), pelabelan sentimen menggunakan lexicon-based, serta klasifikasi dan evaluasi model. Hasil penelitian menunjukkan bahwa sebagian besar ulasan pengguna bersifat negatif, terutama terkait fitur login, transaksi, dan verifikasi, yang mengindikasikan ketidakpuasan terhadap keandalan teknis. Dalam perbandingan performa, model Logistic Regression jauh lebih unggul dengan akurasi 92-93%, dibandingkan dengan Multinomial Naïve Bayes yang hanya mencapai 71-74%. Hal ini membuktikan bahwa Logistic Regression lebih efektif dalam klasifikasi sentimen ulasan aplikasi mobile banking.

Downloads

Download data is not yet available.

References

N. Fibriyanti Arminda, N. Sulistiyowati, and T. Nur Padilah, “Implementasi Algoritma Multinomial Naive Bayes Pada Analisis Sentimen Terhadap Ulasan Pengguna Aplikasi Brimo,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 3, pp. 1817–1822, 2023, doi: 10.36040/jati.v7i3.7012.

D. Angelia, “Aplikasi Mobile Banking Paling Banyak Digunakan Masyarakat Indonesia 2022.” [Online]. Available: https://goodstats.id/article/aplikasi-mobile-banking-paling-banyak-digunakan-masyarakat-indonesia-2022-Vb18i

L. Sitohang and Agustiawan, “Upaya Meningkatkan Pemahaman Dan Keamanan Dalam Penggunaan Aplikasi Brimo Kepada Nasabah Di Pt Bank Rakyat Indonesia (Bri) Di Kantor Kcp Ahmad Yani,” SEMAR J. Sos. dan Pengabdi. Masy., vol. 1, no. 01, pp. 36–44, 2023, doi: 10.59966/semar.v1i01.15.

A. Rahman, E. Utami, and S. Sudarmawan, “Sentimen Analisis Terhadap Aplikasi pada Google Playstore Menggunakan Algoritma Naïve Bayes dan Algoritma Genetika,” J. Komtika (Komputasi dan Inform., vol. 5, no. 1, pp. 60–71, 2021, doi: 10.31603/komtika.v5i1.5188.

A. Dwi, “Selain BSI, Ini 5 Kasus Gangguan Layanan M-Banking yang Sempat Ramai Disorot,” Tempo.co. Accessed: Feb. 20, 2025. [Online]. Available: https://www.tempo.co/ekonomi/selain-bsi-ini-5-kasus-gangguan-layanan-m-banking-yang-sempat-ramai-disorot--189107

R. Yusuf, K. Bahumatra, N. Komaria, E. A. Aqma, and L. Cahyani, “Analisis Sentimen Terhadap Aplikasi Google Meet Berdasarkan Komentar Pengguna Menggunakan Metode Logistic Regresion,” vol. 11, no. 1, pp. 53–64, 2024.

N. A. Amalia, I. T. Utami, and Y. Wilandari, “Analisis Sentimen Kebijakan Penyelenggara Sistem Elektronik Lingkup Privat Menggunakan Penalized Logistic Regression Dan Support Vector Machine,” J. Gaussian, vol. 12, no. 4, pp. 560–569, 2024, doi: 10.14710/j.gauss.12.4.560-569.

Sutarman, R. Siringoringo, D. Arisandi, E. Kurniawan, and E. B. Nababan, “Model Klasifikasi Dengan Logistic Regression Dan Recursive Feature Elimination Pada Data Tidak Seimbang,” J. Teknol. Inf. dan Ilmu Komput., vol. 11, no. 4, pp. 735–742, 2024, doi: 10.25126/jtiik.1148198.

F. Rizal, A. Wijaya, and F. Hasyim, “Analisis Sentimen Masyarakat Indonesia Terhadap Aplikasi TikTok Menggunakan Algoritma Logistic Regression,” J. homepage AKIRATECH J. Comput. Electr. Eng., vol. 1, no. 2, pp. 57–65, 2024, [Online]. Available: https://journal.ajbnews.com/index.php/akiratech

A. G. Budianto, A. Trisno, E. Suryo, and G. Rudi, “Perbandingan Performa Algoritma Support Vector Machine ( SVM ) dan Logistic Regression untuk Analisis Sentimen Pengguna Aplikasi Retail di Android,” vol. 10, no. November, pp. 1–10, 2024, doi: 10.34128/jsi.v10i2.911.

F. Zamachsari, G. Vangeran Saragih, and W. Gata, “Terakreditasi SINTA Peringkat 2 Analisis Sentimen Pemindahan Ibu Kota Negara dengan Feature Selection Algoritma Naive Bayes dan Support Vector Machine,” Masa Berlaku Mulai, vol. 4, no. 3, pp. 504–512, 2020.

W. Widayat, “Analisis Sentimen Movie Review menggunakan Word2Vec dan metode LSTM Deep Learning,” J. Media Inform. Budidarma, vol. 5, no. 3, p. 1018, 2021, doi: 10.30865/mib.v5i3.3111.

M. Ayuningtyas and L. Sufina, “Pengaruh Penggunaan Mobile Banking, Internet Banking, dan Atm terhadap Kinerja Keuangan Perbankan (Studi Kasus Sektor Bank Konvensional yang Terdaftar di Bursa Efek Indonesia) Tahun 2017- 2021,” J. Keuang. dan Perbank., vol. 19, no. 2, pp. 119–130, 2023, doi: 10.35384/jkp.v19i2.394.

M. R. S. Alfarizi, M. Z. Al-farish, M. Taufiqurrahman, G. Ardiansah, and M. Elgar, “Penggunaan Python Sebagai Bahasa Pemrograman untuk Machine Learning dan Deep Learning,” Karya Ilm. Mhs. Bertauhid (KARIMAH TAUHID), vol. 2, no. 1, pp. 1–6, 2023.

A. R. Ismail and Raden Bagus Fajriya Hakim, “Implementasi Lexicon Based Untuk Analisis Sentimen Dalam Menentukan Rekomendasi Pantai Di DI Yogyakarta Berdasarkan Data Twitter,” Emerg. Stat. Data Sci. J., vol. 1, no. 1, pp. 37–46, 2023, doi: 10.20885/esds.vol1.iss.1.art5.

E. Darmaja, V. C. Mawardi, and N. J. Perdana, “Review Sentimen Analisis Aplikasi Sosial Media Di Google Playstore Menggunakan Metode Logistic Regression,” Pros. Serina, pp. 513–520, 2021, [Online]. Available: https://journal.untar.ac.id/index.php/PSERINA/article/view/17504%0Ahttps://journal.untar.ac.id/index.php/PSERINA/article/download/17504/9467

K. Kevin, M. Enjeli, and A. Wijaya, “Analisis Sentimen Pengunaaan Aplikasi Kinemaster Menggunakan Metode Naive Bayes,” J. Ilm. Comput. Sci., vol. 2, no. 2, pp. 89–98, 2024, doi: 10.58602/jics.v2i2.24.

D. Prasetia, N. Rahaningsih, R. D. Dana, and C. L. Rohmat, “Analisis Sentimen Pengguna Aplikasi Mybluebird Dengan Algoritma Naïve Bayes Di Playstore,” J. Inform. dan Tek. Elektro Terap., vol. 13, no. 1, 2025, doi: 10.23960/jitet.v13i1.5687.

P. R. Alvita Wagiswari D, I. Susilawati, and A. Witanti, “Analisis Sentimen pada Komentar Aplikasi MyPertamina dengan Metode Multinomial Naive Bayes,” ForAI J. Informatics Artif. Intell. J., vol. 1, no. 1, pp. 10–19, 2023, [Online]. Available: https://jurnal.forai.or.id/index.php/forai/article/view/4

M. I. Putri and I. Kharisudin, “Analisis Sentimen Pengguna Aplikasi Marketplace TokopediaPada Situs Google Play Menggunakan Metode SupportVector Machine (SVM), Naïve Bayes, dan LogisticRegression,” Prism. Pros. Semin. Nas. Mat., vol. 5, pp. 759–766, 2022, [Online]. Available: https://journal.unnes.ac.id/sju/index.php/prisma/

S. Anggina, N. Y. Setiawan, and F. A. Bachtiar, “Analisis Ulasan Pelanggan Menggunakan Multinomial Naïve Bayes Classifier dengan Lexicon-Based dan TF-IDF Pada Formaggio Coffee and Resto,” is Best Account. Inf. Syst. Inf. Technol. Bus. Enterp. this is link OJS us, vol. 7, no. 1, pp. 76–90, 2022, doi: 10.34010/aisthebest.v7i1.7072.

J. A. Septian, T. M. Fachrudin, and A. Nugroho, “Analisis Sentimen Pengguna Twitter Terhadap Polemik Persepakbolaan Indonesia Menggunakan Pembobotan TF-IDF dan K-Nearest Neighbor,” J. Intell. Syst. Comput., vol. 1, no. 1, pp. 43–49, 2019, doi: 10.52985/insyst.v1i1.36.