Electronic Theses and Dissertation

Kebutuhan masyarakat terhadap efisiensi dan fleksibilitas transaksi perbankan menggunakan mobile banking semakin meningkat. termasuk produk oleh perusahaan bank syariah indonesia yaitu bsi mobile yang hingga kuartal kedua tahun 2023 tercatat bahwa volume transaksi mencapai 196,78 juta transaksi atau tumbuh sebesar 67,16% dan jumlah penggunanya meningkat sebesar 32,43% secara tahunan. namun, semakin banyak pengguna akan semakin banyak ulasan yang diberikan sehingga semakin sulit untuk mengetahui sentimen pengguna secara keseluruhan. maka dari itu, diperlukan adanya pendekatan yang dapat memudahkan menganalisis sentimen ulasan-ulasan tersebut secara otomatis. penelitian ini bertujuan untuk mendapatkan model klasifikasi terbaik dan hasil analisis sentimen yang optimal untuk mengetahui kebutuhan, keinginan dan kepuasan pengguna. data yang digunakan merupakan ulasan pengguna bsi mobile di google play store dari 1 januari 2021 – 31 desember 2023 sebanyak 13.070 ulasan. data tersebut dilakukan pelabelan dan pengklasifikasian dalam kelas positif, negatif, dan netral menggunakan algoritma naïve bayes classifier, support vector machine, dan random forest. hasil perbandingan ketiga algoritma didapatkan bahwa random forest menjadi algoritma terbaik dalam menganalisis sentimen ulasan pengguna bsi mobile dengan nilai accuracy sebesar 91,27%, precision sebesar 91,57%, recall sebesar 91,26%, dan f1-score sebesar 91,32%. kemudian, asosiasi kata dilakukan dengan apriori pada kelas sentimen positif dan negatif. hasil asosiasi negatif dianalisis dengan diagram fishbone untuk mengidentifikasi faktor-faktor yang mempengaruhi sentimen pengguna. kata kunci : bsi mobile, analisis sentimen, machine learning, naïve bayes classifier, support vector machine, random forest, apriori, diagram fishbone, google play store.

The increasing demand of the society for efficiency and flexibility in banking transactions using mobile banking is increasing. Including products by the Bank Syariah Indonesia company, namely BSI Mobile, which until the second quarter of 2023 recorded that the transaction volume reached 196.78 million transactions or grew by 67.16% and the number of users increased by 32.43% on an annual basis. However, the more users there are, the more reviews will be given, making it more difficult to know the overall user sentiment. Therefore, an approach is needed that can make it easier to analyze the sentiment of these reviews automatically. This research aims to get the best classification model and optimal sentiment analysis results to find out user needs, wants and satisfaction. The data used are BSI Mobile user reviews on the Google Play Store from January 1, 2021 - December 31, 2023 totaling 13,070 reviews. The data is labeled and classified into positive, negative, and neutral classes using the Naïve Bayes Classifier, Support Vector Machine, and Random Forest algorithms. The results of the comparison of the three algorithms found that Random Forest is the best algorithm in analyzing the sentiment of BSI Mobile user reviews with an accuracy value of 91.27%, precision of 91.57%, recall of 91.26%, and f1-score of 91.32%. Subsequently, word association was conducted using Apriori on the positive and negative sentiment classes. The negative associations were further analyzed using a fishbone diagram to identify factors influencing user sentiment. Keywords : BSI Mobile, Sentiment Analysis, Machine Learning, Naïve Bayes Classifier, Support Vector Machine, Random Forest, Apriori, Diagram Fishbone, Google Play Store.