Klasifikasi Sentimen Terhadap Ulasan Pengguna Aplikasi DANA Menggunakan Metode Support Vector Machine
DOI:
https://doi.org/10.70609/jusifor.v5i1.8626Keywords:
DANA, Ulasan Pengguna, Analisis Sentimen, TF-IDF, Support Vector Machine, User Reviews, Sentiment AnalysisAbstract
DANA merupakan salah satu platform fintech asal Indonesia. Banyaknya jumlah ulasan aplikasi DANA sebagai e-wallet populer menyebabkan proses pemantauan kepuasan pengguna secara manual menjadi tidak praktis. Penelitian ini berfokus pada analisis sentimen untuk menggali persepsi masyarakat terhadap aplikasi DANA. Metode yang digunakan adalah algoritma Support Vector Machine (SVM) yang dikombinasikan dengan pembobotan Term Frequency–Inverse Document Frequency (TF-IDF). Sebanyak 50.000 ulasan diproses melalui sejumlah tahapan preprocessing, mulai dari cleaning, case folding, normalization, stopword removal, hingga stemming. Hasil pengujian menunjukkan bahwa model SVM memberikan performa yang baik dengan akurasi sebesar 83%. Pada sentimen positif, model mencapai precision 89%, recall 92%, dan F1-score 90%. Selain itu, analisis frekuensi kata memperlihatkan bahwa kata kunci “cepat” dan “mudah” muncul lebih dominan dibandingkan “lambat” maupun “susah”, yang menggambarkan kepuasan pengguna terhadap performa aplikasi. Dengan demikian, metode SVM dapat dikatakan efektif dalam melakukan analisis sentimen pada data ulasan berjumlah besar.
References
[1] S. A. Ghaffar and W. C. Setiawan, “Comparative Sentiment Analysis of Digital Wallet Applications in Indonesia Using Naïve Bayes,” Int. J. Informatics Inf. Syst., vol. 8, no. 2, pp. 55–66, 2025, doi: 10.47738/ijiis.v8i2.251.
[2] R. M. Simamora and M. Y. Fathoni, “Sentiment Analysis of Customer Reviews on DANA Application Service using Multinomial Naïve Bayes Classifier Algorithm,” COMNETSAT 2024 - IEEE Int. Conf. Commun. Networks Satell., pp. 144–151, 2024, doi: 10.1109/COMNETSAT63286.2024.10862974.
[3] H. Atsqalani, N. Hayatin, and C. S. K. Aditya, “Sentiment Analysis from Indonesian Twitter Data Using Support Vector Machine And Query Expansion Ranking,” J. Online Inform., vol. 7, no. 1, pp. 116–122, 2022, doi: 10.15575/join.v7i1.669.
[4] R. A. Pranata, Rudiman, and N. A. Verdikha, “Metode Pembobotan TF-IDF Untuk Klasifikasi Teks Quick Count Pemilihan Wakil Presiden Indonesia 2024 Pada X Twitter dengan Metode SVM,” J. Teknol. Inf. J. Keilmuan dan Apl. Bid. Tek. Inform., vol. 18, no. 2, pp. 126–138, 2024, doi: 10.54914/jit.v10i2.1279.
[5] N. Ananda, M. Fikry, Yusra, L. Handayani, and I. Iskandar, “Klasifikasi Sentimen Tweet Masyarakat Terhadap Kendaraan Listrik Menggunakan Support Vector Machine,” J. Inform. Univ. Pamulang, vol. 8, no. 4, pp. 568–577, 2023, doi: 10.32493/informatika.v8i4.36754.
[6] S. P. Azzahra, Y. A. Apriyanto, and A. Wijaya, “Analisis Sentimen Ulasan Aplikasi Deepl Pada Google Play Dengan Metode Support Vector Machine ( SVM ),” J. Sist. Inf., vol. 4, no. 2, pp. 59–66, 2023, doi: 10.32546/jusin.v4i2.2368.
[7] U. I. Arsyah, M. Pratiwi, and A. Muhammad, “Twitter Sentiment Analysis of Public Space Opinions using SVM and TF-IDF Methods,” Indones. J. Comput. Sci., vol. 13, no. 1, pp. 387–394, 2024, doi: 10.33022/ijcs.v13i1.3594.
[8] M. Arman, Y. A. Ameliana, and A. Arfah, “Pengaruh Kepercayaan Konsumen Pada Loyalitas Pengguna Fintech (Layanan Transaksi Online),” SEIKO J. Manag. Bus., vol. 6, no. 2, pp. 384–390, 2023, doi: 10.37531/sejaman.v6i2.4944.
[9] M. A. Palomino and F. Aider, “Evaluating the Effectiveness of Text Pre-Processing in Sentiment Analysis,” Appl. Sci., vol. 12, no. 17, pp. 1–21, 2022, doi: 10.3390/app12178765.
[10] B. A. Maulana, M. J. Fahmi, A. M. Imran, and N. Hidayati, “Analisis Sentimen Terhadap Aplikasi Pluang Menggunakan Algoritma Naive Bayes dan Support Vector Machine (SVM),” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. 2, pp. 375–384, 2024, doi: 10.57152/malcom.v4i2.1206.
[11] B. Harnadi and A. D. Widiantoro, “Evaluating the Performance and Accuracy of Supervised Learning Models on Sentiment Analysis of E-Wallet,” in 7th International Conference on Information Technology, InCIT 2023, 2023, pp. 175–180. doi: 10.1109/InCIT60207.2023.10413111.
[12] J. Setyanto and T. B. Sasongko, “Sentiment Analysis of Sirekap Application Users Using the Support Vector Machine Algorithm,” J. Appl. Informatics Comput., vol. 8, no. 1, pp. 71–76, 2024, doi: 10.30871/jaic.v8i1.7772.
[13] A. Gosal and R. Septifani, “Implementation of Machine Learning in the Classification of Text Created by Humans or Artificial Intelligence,” Res. Innov. Inf. Eng. Technol., vol. 1, pp. 45–52, 2025, doi: 10.5220/0014269100004928.
[14] D. Prismala and I. K. D. Nuryana, “Analisis Opinion Mining Pada Topik Chatgpt di Aplikasi X Dengan Pendekatan Algoritma SVM Berbasis Lexicon,” J. Emerg. Inf. Syst. Bus. Intell., vol. 5, no. 03, pp. 62–75, 2024, doi: 10.26740/jeisbi.v5i3.61575.
[15] J. A. Wibowo, V. C. Mawardi, and T. Sutrisno, “Visualisasi Word Cloud Hasil Analisis Sentimen Berbasis Fitur Layanan Aplikasi Gojek Dengan Support Vector Machine,” J. Serina Sains, Tek. dan Kedokt., vol. 2, no. 1, pp. 61–70, 2024, doi: 10.24912/jsstk.v2i1.32058.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Dentar Prapasta, Mohammad Zainuddin
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
