PERBANDINGAN KINERJA SUPPORT VECTOR MACHINE, LOGISTIC REGRESSION, DAN INDOBERT PADA ANALISIS SENTIMEN WONDR BY BNI
Keywords:
Analisis Sentimen, WONDR by BNI, Support Vector Machine, Logistic Regression, IndoBERTAbstract
Perkembangan layanan perbankan digital mendorong institusi perbankan untuk terus meningkatkan kualitas aplikasi perbankan mobile banking untuk memenuhi kebutuhan dan kepuasan nasabah. Penelitian ini dilakukan untuk menganalisis serta membandingkan tingkat efektivitas algoritma klasifikasi sentimen yang meliputi SVM, Logistic Regression, dan IndoBERT untuk menganalisis opini pengguna yang disampaikan melalui ulasan aplikasi WONDR by BNI. Data penelitian diperoleh melalui proses ekstraksi umpan balik pengguna yang tersedia pada Google Play Store, yang memiliki jumlah ulasan 10.001. Setelah melalui tahap data cleaning, dataset berkurang menjadi 9.999 data karena penghapusan data duplikat dan data yang tidak valid, kemudian sebanyak 9.998 data digunakan pada tahap analisis setelah menghapus satu data yang tidak dapat diproses akibat karakter non-teks. Proses penelitian meliputi pemrosesan awal teks berbahasa Indonesia, pelabelan sentimen menggunakan Groq API berbasis Large Language Model (LLM), pembagian dataset menjadi data latih dan data uji dengan rasio 80:20, ekstraksi fitur TF-IDF untuk model SVM dan Logistic Regression, serta proses fine-tuning IndoBERT sebagai model berbasis transformer. Hasil dari pengujian menunjukkan bahwa IndoBERT yang telah disempurnakan memberikan hasil terbaik dengan accuracy sebesar 88,9%, presicion 89,3%, recall 88,9%, dan F1-score 89,1%. Sementara itu, SVM memperoleh accuracy 85,5%, precision 83,6%, recall 85,5%, dan F1-score 84,0%, sedangkan Logistic Regression memperoleh accuracy 85,5%, precision 83,5%, recall 85,5%, serta nilai F1-score sebesar 83,0%. Berdasarkan hasil penelitian, diketahui bahwa algoritma berbasis transformer menunjukkan kemampuan yang lebih unggul dalam konteks bahasa Indonesia jika dibandingkan dengan model machine learning berbasis TF-IDF. Hasil penelitian ini diharapkan dapat memberikan rujukan bagi peneliti maupun praktisi guna menentukan metode klasifikasi sentimen yang paling sesuai untuk mengevaluasi ulasan pengguna aplikasi perbankan digital berdasarkan data ulasan yang tersedia.
References
B. Setiawan, “A Review of Sentiment Analysis Applications in Indonesia Between 2023–2024,” Journal of Information Engineering and Educational Technology, vol. 8, no. 2, pp. 71–83, 2024.
B. Satya, M. S. Hasan, M. Rahardi, and F. F. Abdulloh, “Sentiment Analysis of Review Sestyc Using Support Vector Machine, Naive Bayes, and Logistic Regression Algorithm,” in Proceedings of the 2022 International Conference on Information and Communications Technology (ICOIACT), 2022.
M. I. Abidin and E. W. Pamungkas, “Analisis Sentimen Terhadap Timnas Indonesia di Piala Asia 2023 dengan Model Transformer Berbahasa Indonesia,” Rabit: Jurnal Teknologi dan Sistem Informasi Univrab, vol. 10, no. 2, 2025.
V. E. Sidauruk and W. Herowati, “IndoBERT-Based Sentiment Analysis of Political Discourse on Platform X: The Case of Prabowo-Gibran Administration,” Journal of Applied Informatics and Computing, vol. 10, no. 1, 2026.
H. Imaduddin, F. Y. A’la, and Y. S. Nugroho, “Sentiment Analysis in Indonesian Healthcare Applications using IndoBERT Approach,” International Journal of Advanced Computer Science and Applications, vol. 14, no. 8, 2023.
F. Koto, A. Rahimi, J. H. Lau, and T. Baldwin, “IndoLEM and IndoBERT: A Benchmark Dataset and Pre-trained Language Model for Indonesian NLP,” arXiv:2011.00677, 2020.
B. Wilie et al., “IndoNLU: Benchmark and Resources for Evaluating Indonesian Natural Language Understanding,” arXiv:2009.05387, 2020.
F. A. Larasati, D. E. Ratnawati, and B. T. Hanggara, "Analisis Sentimen Ulasan Aplikasi Dana dengan Metode Random Forest," Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 6, no. 9, pp. 4305–4313, 2022.
I. H. Kusuma and N. Cahyono, "Analisis Sentimen Masyarakat terhadap Penggunaan E-Commerce Menggunakan Algoritma K-Nearest Neighbor," Jurnal Informatika: Jurnal Pengembangan IT, vol. 8, no. 3, pp. 302–307, 2023.
W. A. Hidayat dan V. R. S. Nastiti, “Perbandingan Kinerja Pre-Trained Indobert-Base dan Indobert-Lite pada Klasifikasi Sentimen Ulasan TikTok Tokopedia Seller Center,” JSII (Jurnal Sistem Informasi), vol. 11, no. 2, pp. 13-20, 2024.
U. Khairani, V. Mutiawani, dan H. Ahmadian, “Pengaruh Tahapan Preprocessing Terhadap Model IndoBERT dan IndoBERTweet untuk Mendeteksi Emosi pada Komentar Akun Berita Instagram,” Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), vol. 11, no. 4, pp. 887-894, 2024.
M. V. S. Handayani dan Muljono, “Arsitektur Hibrida IndoBERTweet-CNN untuk Klasifikasi Ujaran Kebencian Berbahasa Gaul di Media Sosial,” Infotekmesin, vol. 17, no. 1, pp. 39-47, 2026.
L. B. Wijaya, Y. N. Wicaksana, S. S. Widhiasari, dan A. Saptawijaya, “Pengembangan Model Deteksi Hoaks Berbahasa Indonesia Menggunakan Kombinasi IndoBERT dan BiLSTM,” Buletin Pagelaran Mahasiswa Nasional Bidang TIK, vol. 2, no. 1, pp. 12-16, 2024.
N. Fadilah, B. A. Putra, dan M. I. Pratama, “Optimasi Model BiLSTM Berbasis FastText pada Data Augmentasi Semantik IndoBERT untuk Klasifikasi Teks Bahasa Indonesia,” PISCES, vol. 4, no. 1, 2026.
R. Santosa, A. B. Nusantara, dan S. Imron, “Comparative Analysis of SVM and IndoBERT for Intent Classification in Indonesian Overtime Chatbots,” JSCE (Journal of System and Computer Engineering), vol. 6, no. 3, pp. 258-270, 2025.
R. Jullfikar, R. Megasari, dan R. A. Sukamto, “Pengembangan Chatbot Menggunakan BERT untuk Pengelolaan Komunikasi Beasiswa Ikatan Alumni Universitas Pendidikan Indonesia,” Digital Transformation Technology (Digitech), vol. 5, no. 1, pp. 391-400, 2025.
M. S. Putra, M. M. H. Pandiangan, dan M. Farid, “Tinjauan Sistematis Chatbot Multibahasa: Arsitektur, Penerapan, dan Tantangan Linguistik pada Bahasa Sumber Daya Rendah,” Edusola: Journal Education, Sociology and Law, vol. 1, no. 4, pp. 1560-1583, 2025.
D. F. Sjoraida, B. W. K. Guna, dan D. Yudhakusuma, “Analisis Sentimen Film Dirty Vote Menggunakan BERT (Bidirectional Encoder Representations from Transformers),” Jurnal JTIK, vol. 8, no. 2, pp. 393-404, 2024.
A. S. Rizky dan E. Y. Hidayat, “Klasifikasi Emosi pada Teks Bahasa Indonesia Menggunakan IndoBERT,” JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), vol. 10, no. 4, pp. 2963-2970, 2025.
K. R. R. Wardani, I. Martina, dan J. F. X. Wern, “Analisis Pengaruh Karakteristik Masukan Teks terhadap Kinerja MiniLM v2-L6-H384 dan BERT-Base-Uncased pada Quora Question Pairs,” Jurnal Telematika, vol. 20, no. 2, 2025.
