ANALISIS SENTIMEN ULASAN APLIKASI SEABANK MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE (SVM)
Abstract
Pesatnya pertumbuhan perbankan digital di Indonesia menuntut perusahaan seperti SeaBank untuk terus mengevaluasi kualitas layanan berdasarkan persepsi pengguna. Penelitian ini bertujuan untuk menganalisis sentimen pengguna aplikasi SeaBank pada Google Play Store guna mengekstraksi wawasan Business Intelligence yang strategis. Sebanyak 71.523 ulasan mentah periode Juli hingga Desember 2025 dikumpulkan melalui teknik web scraping. Metodologi yang digunakan meliputi tahapan preprocessing teks, ekstraksi fitur TF-IDF dengan Bigram, serta penanganan data tidak seimbang menggunakan teknik Synthetic Minority Over-sampling Technique (SMOTE). Klasifikasi dilakukan menggunakan algoritma Support Vector Machine (SVM) dengan kernel Linear. Hasil pengujian menunjukkan bahwa model SVM mampu mencapai tingkat akurasi sebesar 91,21%. Temuan penelitian mengungkap dominasi sentimen positif terkait insentif bebas biaya transaksi dan kemudahan UI/UX. Sebaliknya, sentimen negatif menyoroti isu kritis pada stabilitas akses aplikasi (login) dan keterlambatan kode OTP yang berisiko memicu customer churn. Hasil analisis ini memberikan rekomendasi strategis bagi manajemen SeaBank dalam memprioritaskan perbaikan infrastruktur teknis guna meningkatkan retensi nasabah.
Downloads
References
OJK, “Transformasi Digital Perbankan.”
F. Adelia Irawan, A. Rialdy Atmadja, and A. Wahana, “Analisis Sentimen Ulasan Aplikasi Bank Digital Menggunakan Algoritma Naive Bayes,” Journal of Computer Science and Information Technology E-ISSN, vol. 4, no. 2, pp. 60–68, 2024.
P. P. Wulan and H. Basri, “ANALISIS SENTIMEN TERHADAP LAYANAN NASABAH BANK MENGGUNAKAN TEKNIK KLASIFIKASI NAIVE BAYES SENTIMENT ANALYSIS OF BANKING CUSTOMER SERVICE USING NAIVE BAYES CLASSIFICATION TECHNIQUE,” Jurnal Kecerdasan Buatan dan Teknologi Informasi, vol. 3, no. 2, pp. 68–74, 2024.
R. C. Tarumingkeng, “Natural Language Processing (NLP),” Bogor, Nov. 2024.
S. Setiyani, A. Aminah, and E. Rilvani, “PERAN DAN STRATEGI DATA MINING DALAM TRANSFORMASI BISNIS PERUSAHAAN,” Jurnal Media Akademik (JMA), vol. 3, no. 8, Aug. 2025, doi: 10.62281.
A. Suharman and M. Kamayani Sulaeman, “Analisis Sentimen Pengguna Aplikasi Livin’ by Mandiri Menggunakan Metode Support Vector Machine (SVM) dengan Ekstraksi Fitur TF-IDF dan Word2Vec,” Jurnal Pendidikan dan Teknologi Indonesia, vol. 5, no. 8, pp. 2201–2212, Aug. 2025, doi: 10.52436/1.jpti.941.
L. Anroza Putra, “ANALISIS SENTIMEN ULASAN PENGGUNA APLIKASI BANK JAGO MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE,” UNIVERSITAS ISLAM NEGERI SULTAN SYARIF KASIM RIAU, 2024.
A. M. Rizki, B. Bustami, and S. F. Anshari, “Comparison of Support Vector Machine and Naïve Bayes Algorithms in Sentiment Analysis of Tiktokshop Application User Reviews,” Journal of Renewable Energy, Electrical, and Computer Engineering, vol. 5, no. 1, pp. 18–29, Mar. 2025, doi: 10.29103/jreece.v5i1.21342.
H. Aprilianti, H. Mustofa, K. Umam, and M. R. Handayani, “Comparative Study of SVM, KNN, and Naïve Bayes for Sentiment Analysis of Religious Application Reviews,” Journal of Applied Informatics and Computing (JAIC), vol. 9, no. 3, Jun. 2025, [Online]. Available: http://jurnal.polibatam.ac.id/index.php/JAIC
A. Hilman Hakim et al., “Analisis Sentimen Aplikasi Bank Digital Pada Google Play Store Menggunakan Algoritma Naive Bayes,” JUNI 2025 Journal of Informatics and Communications Technology, vol. 7, no. 1, pp. 23–034, doi: 10.52661.
Maydianto and M. Rasid Ridho, “RANCANG BANGUN SISTEM INFORMASI POINT OF SALE DENGAN FRAMEWORK CODEIGNITER PADA CV POWERSHOP,” JURNAL COMASIE, vol. 4, 2021.
S. Ikhlasia Kasim, R. Hafid, and R. Wahyuni Mohamad, “Hubungan Tingkat Pengetahuan tentang Kesehatan Reproduksi dengan Kesiapan Menghadapi Masa Pubertas Pada Remaja Usia 12-13 Tahun Di SMP Negeri 1 Limboto,” Jurnal Kolaboratif Sains, vol. 8, no. 4, pp. 1769–1784, Apr. 2025, doi: 10.56338/jks.v8i4.7177.
D. Rizki and A. I. Komputer, “TEXT MINING UNTUK PENGAMBILAN KEPUTUSAN DALAM RISET PASAR,” 2024.
H. Ar-Rasyid, A. Fitriansyah, J. Sari, and I. Ramadhan, “Sistem Rekomendasi Penjualan Cross-Selling Potensial Dengan Pendekatan Data Mining.”
R. R. Aria, “Implementasi Algoritma K-Means untuk Pengelompokan Data Imunisasi Balita dengan Metode CRISP-DM,” Remik: Riset dan E-Jurnal Manajemen Informatika Komputer, vol. 9, no. 1, pp. 189–197, Jan. 2025, doi: 10.33395/remik.v9i1.14391.
A. Nur Syamsudin and U. Budiyanto, “Analisis Sentimen Saran Pengguna Mandatory E-Learning Menggunakan Text Mining pada Learning Management System,” Technomedia Journal, vol. 9, no. 3, pp. 346–359, Feb. 2025, doi: 10.33050/tmj.v9i3.2368.
G. Rafianto, Hannie, and A. Ma’sum, “ANALISIS SENTIMEN BERBASIS TOPIK ULASAN PENGGUNA APLIKASI ROBLOX MENGGUNAKAN INTEGRASI LDA DAN SVM,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 14, no. 2, Apr. 2026, doi: 10.23960/jitet.v14i2.9336.
R. Hasanah, Z. Hasanah, S. Ardi Wijaya, D. Abdennasser, and A.-N. Sharkawy, “Play Store Data Scrapping and Preprocessing done as Sentiment Analysis Material,” 2025. [Online]. Available: https://journal.abhinaya.co.id/index.php/IJMST
P. P. Wulan and H. Basri, “ANALISIS SENTIMEN TERHADAP LAYANAN NASABAH BANK MENGGUNAKAN TEKNIK KLASIFIKASI NAIVE BAYES,” Jurnal Kecerdasan Buatan dan Teknologi Informasi, vol. 3, no. 2, pp. 68–74, May 2024.
H. Wijaya and N. Hayati, “NATURAL LANGUAGE PROCESSING (NLP) UNTUK ANALISIS SENTIMEN ULASAN SEBLAK BANDUNG PEDAS KUDUS,” Jurnal of Business and Audit Information System (JBASE), vol. 8, no. 1, pp. 13–22, 2025, doi: 10.30813/jbase.v8i1.8035.
F. Amandasari and D. Damayanti, “Perbandingan Kinerja Support Vector Machine dan Naive Bayes dalam Klasifikasi Sentimen Twitter Terhadap Pelayanan BPJS,” Jurnal Pendidikan dan Teknologi Indonesia, vol. 5, no. 3, pp. 645–653, Mar. 2025, doi: 10.52436/1.jpti.680.
I. de Zarzà, J. de Curtò, and C. T. Calafate, “Optimizing Neural Networks for Imbalanced Data,” Electronics (Switzerland), vol. 12, no. 12, Jun. 2023, doi: 10.3390/electronics12122674.
S. DEMİR and E. K. ŞAHİN, “Evaluation of Oversampling Methods (OVER, SMOTE, and ROSE) in Classifying Soil Liquefaction Dataset based on SVM, RF, and Naïve Bayes,” European Journal of Science and Technology, Feb. 2022, doi: 10.31590/ejosat.1077867.
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
