PENERAPAN RANDOM FOREST UNTUK ANALISIS SENTIMEN ULASAN GOOGLE PLAY PADA APLIKASI SEABANK

Abstract

Pertumbuhan layanan perbankan digital di Indonesia mendorong perlunya pemahaman mendalam terhadap persepsi pengguna melalui analisis sentimen ulasan aplikasi. SeaBank sebagai salah satu bank digital dengan jumlah ulasan tinggi di Google Play menyediakan data berharga mengenai tingkat kepuasan, keluhan, dan masalah teknis yang dialami pengguna. Penelitian ini bertujuan mengklasifikasikan sentimen ulasan pengguna SeaBank menggunakan algoritma Random Forest. Dataset diperoleh melalui teknik web scraping dan diproses melalui tahapan prapemrosesan, mencakup cleaning, case folding, normalisasi, tokenisasi, stopword removal, serta stemming dengan Sastrawi. Pelabelan sentimen dilakukan menggunakan pendekatan hybrid rating–lexicon untuk meningkatkan konsistensi anotasi. Random Forest diterapkan sebagai model klasifikasi dan dievaluasi menggunakan akurasi, presisi, recall, F1-score, serta confusion matrix. Hasil penelitian menunjukkan bahwa model mampu mengidentifikasi sentimen dengan baik serta menangkap pola keluhan umum seperti kegagalan login, gangguan transaksi, dan ketidakstabilan aplikasi. Temuan ini memberikan masukan penting bagi pengembangan layanan SeaBank serta memperkaya literatur analisis sentimen berbahasa Indonesia di sektor fintech.