ANALISIS SENTIMEN ULASAN PENGGUNA APLIKASI SEABANK DI GOOGLE PLAY STORE MENGGUNAKAN METODE SUPPORT VECTOR MACHINE UNTUK MENILAI TINGKAT KEPUASAN PENGGUNA

Fardhan Maulana; Riri Narasati; Umi Hayati; Dodi Solihudin; Tati Suprapti

Authors

Fardhan Maulana STMIK IKMI Cirebon, Indonesia
Riri Narasati STMIK IKMI Cirebon, Indonesia
Umi Hayati STMIK IKMI Cirebon, Indonesia
Dodi Solihudin STMIK IKMI Cirebon, Indonesia
Tati Suprapti STMIK IKMI Cirebon, Indonesia

Keywords:

sentiment analysis, tf idf, support vector machine, seabank, user reviews

Abstract

Penelitian ini dilakukan untuk menganalisis sentimen ulasan pengguna aplikasi SeaBank guna menilai tingkat kepuasan pengguna berdasarkan opini yang mereka sampaikan dalam bentuk teks. Penelitian ini menggunakan metode kuantitatif dengan pendekatan text mining dan algoritma Support Vector Machine (SVM) sebagai model klasifikasi sentimen. Data dikumpulkan melalui web scraping menggunakan pustaka google-play-scraper dan menghasilkan 41.152 ulasan berbahasa Indonesia dalam rentang 1 Januari 2025 hingga 28 Oktober 2025. Tahapan pra-pemrosesan dilakukan melalui case folding, cleaning, tokenizing, stopword removal, dan stemming. Selanjutnya, representasi fitur teks dibangun menggunakan metode Term Frequency–Inverse Document Frequency (TF-IDF). Klasifikasi sentimen dilakukan ke dalam tiga kategori, yaitu positif, netral, dan negatif, dengan pengujian model menggunakan beberapa variasi kernel SVM. Hasil penelitian menunjukkan bahwa SVM kernel linear memberikan performa terbaik dengan akurasi 94,24%, F1-score tertimbang sebesar 0,93, dan kemampuan klasifikasi yang sangat baik pada kelas sentimen positif. Namun, performa model pada kelas netral masih rendah karena distribusi data yang tidak seimbang. Pengujian rasio data latih dan uji juga menunjukkan bahwa konfigurasi 80:20 memberikan hasil paling optimal. Secara keseluruhan, kombinasi TF-IDF dan SVM terbukti efektif dalam mengklasifikasikan ulasan pengguna aplikasi SeaBank berbahasa Indonesia. Penelitian ini memberikan kontribusi praktis bagi pengembang SeaBank untuk memahami persepsi pengguna secara terukur sehingga dapat digunakan sebagai dasar peningkatan kualitas layanan, khususnya pada aspek yang sering menjadi keluhan pengguna.

References

S. Mulyati, N. Septiani, and L. Marlina, “Digital Transformation in Banking Services: The Impact of Mobile Banking on Customer Satisfaction at Islamic Banks in Tasikmalaya City,” Brill. Res. Artif. Intell., vol. 4, no. 2, pp. 757–763, 2024, doi: 10.47709/brilliance.v4i2.4967.

A. A. P. Simarmata and T. B. Sasongko, “Sentiment Analysis on BRImo Application Reviews Using IndoBERT,” J. Appl. Informatics Comput., vol. 9, no. 3, pp. 851–862, 2025, doi: 10.30871/jaic.v9i3.8162.

Zulkarnain, Rice Novita, Angraini, and Zarnelly, “Klasifikasi Sentimen Layanan pada Aplikasi by . U menggunakan Algoritma Support Vector Machine Classification of Service Sentiments on the by . U Application using the,” vol. 14, pp. 1967–1976, 2025.

M. I. A. Guno Wibowo and I. Pratama, “Analisis Sentimen Ulasan Aplikasi Identitas Kependudukan Digital Menggunakan Metode Support Vector Machine,” J. Teknol. Dan Sist. Inf. Bisnis, vol. 6, no. 4, pp. 715–722, 2024, doi: 10.47233/jteksis.v6i4.1552.

R. Thoriq Ikhwan Alfawas , Abdul Rahim, “Penerapan Fitur Ekstraksi TF-IDF untuk Analisis Sentimen Ulasan Game Bus Simulator Indonesia dengan Algoritma Naive Bayes,” IJCAI 2001 Work. Empir. methods Artif. Intell., vol. 4, no. January, pp. 41–46, 2024, [Online]. Available: http://www.cc.gatech.edu/home/isbell/classes/reading/papers/Rish.pdf

M. Idris, A. Rifai, and K. D. Tania, “Sentiment Analysis of Tokopedia App Reviews using Machine Learning and Word Embeddings,” Sinkron, vol. 9, no. 1, pp. 210–219, 2025, doi: 10.33395/sinkron.v9i1.14278.

P. P. Allorerung and R. Rismayani, “Analisis Sentimen Pada Ulasan Aplikasi WeTV di Google Play Store Menggunakan Algoritma NBC dan SVM Sentiment Analysis on WeTV App Reviews on Google Play Store Using NBC and SVM Algorithms,” Sist. J. Sist. Inf., vol. 12, pp. 404–414, 2023, [Online]. Available: http://sistemasi.ftik.unisi.ac.id

Y. A. Mustofa and I. S. K. Idris, “Ensemble Approach to Sentiment Analysis of Google Play Store App Reviews,” Jambura J. Electr. Electron. Eng., vol. 6, no. 2, pp. 181–188, 2024, doi: 10.37905/jjeee.v6i2.25184.

Amalia Nur Soliha, Tb Ai Munandar, and Muhammad Yasir, “Sentiment Analysis of the Use of Digital Banking Service Applications On Google Play Store Reviews Using Naïve Bayes Method,” Int. J. Inf. Technol. Comput. Sci. Appl., vol. 1, no. 3, pp. 129–137, 2023, doi: 10.58776/ijitcsa.v1i3.40.

S. A. Helmayanti, F. Hamami, and R. Y. Fa’rifah, “Penerapan Algoritma Tf-Idf Dan Naïve Bayes Untuk Analisis Sentimen Berbasis Aspek Ulasan Aplikasi Flip Pada Google Play Store,” J. Indones. Manaj. Inform. dan Komun., vol. 4, no. 3, pp. 1822–1834, 2023, doi: 10.35870/jimik.v4i3.415.

M. M. Dakwah, A. A. Firdaus, F. Furizal, and R. Faresta, “Sentiment Analysis on Marketplace in Indonesia using Support Vector Machine and Naïve Bayes Method,” J. Ilm. Tek. Elektro Komput. dan Inform., vol. 10, no. 1, p. 39, 2024, doi: 10.26555/jiteki.v10i1.28070.

N. P. Husain, S. Sukirman, and S. SAJIAH, “Analisis Sentimen Ulasan Pengguna Tiktok pada Google Play Store Berbasis TF-IDF dan Support Vector Machine,” J. Syst. Comput. Eng., vol. 5, no. 1, pp. 91–102, 2024, doi: 10.61628/jsce.v5i1.1105.