NINETYJOURNALNINETYJOURNAL

Jurnal Kecerdasan Buatan dan Teknologi InformasiJurnal Kecerdasan Buatan dan Teknologi Informasi

Analisis sentimen terhadap layanan digital semakin penting di era transformasi digital karena dapat memberikan wawasan yang mendalam mengenai persepsi pelanggan terhadap layanan yang disediakan. Penelitian ini menggunakan metode klasifikasi untuk mengklasifikasikan sentimen pelanggan berdasarkan data ulasan yang dikumpulkan dari platform layanan digital Seabank. Proses analisis dilakukan dengan mengelompokkan sentimen menjadi kategori positif, negatif, dan netral, di mana evaluasi akurasi model dilakukan menggunakan metrik evaluasi seperti presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model mampu mengklasifikasikan sentimen dengan akurasi sebesar 85%, di mana kategori sentimen negatif didominasi oleh kata-kata seperti buruk dan tidak puas, sementara sentimen positif didominasi oleh kata-kata seperti sangat baik dan memuaskan. Penelitian ini bertujuan untuk memberikan pemahaman yang lebih baik kepada penyedia layanan terkait kebutuhan dan ekspektasi pelanggan, sehingga dapat digunakan untuk meningkatkan kualitas layanan di masa mendatang.

Model Naïve Bayes mencapai akurasi 85% dan menunjukkan efektivitas dalam mengklasifikasikan sentimen pelanggan Seabank.Confusion matrix mengungkapkan bahwa pada sentimen positif (Baik Sekali dan Baik) model mengidentifikasi 88% data dengan benar, sedangkan pada sentimen negatif (Buruk) akurasinya 82%.Temuan ini memberikan kontribusi penting bagi pemahaman persepsi pelanggan dan dapat dijadikan dasar untuk meningkatkan kualitas layanan digital secara responsif.

Penelitian selanjutnya dapat menyelidiki penggunaan model pembelajaran mendalam seperti LSTM atau BERT untuk meningkatkan akurasi klasifikasi sentimen pada aplikasi perbankan digital, khususnya dengan membandingkan performanya terhadap Naïve Bayes yang telah diuji. Selain itu, perlu dilakukan pengumpulan data ulasan yang lebih luas mencakup berbagai aplikasi perbankan serta ulasan dalam bahasa lain untuk mengevaluasi generalisasi model dan mengidentifikasi perbedaan budaya dalam persepsi pengguna. Selanjutnya, analisis dinamis terhadap perubahan sentimen seiring waktu, terutama setelah peluncuran pembaruan aplikasi, dapat memberikan wawasan tentang dampak fitur baru terhadap kepuasan pengguna dan membantu pengembang merancang strategi peningkatan layanan yang lebih tepat sasaran.

  1. ANALISIS SENTIMEN ULASAN PENGGUNA APLIKASI GOOGLE PLAY MENGGUNAKAN NAÏVE BAYES | Jurnal Informatika... journal.eng.unila.ac.id/index.php/jitet/article/view/3348ANALISIS SENTIMEN ULASAN PENGGUNA APLIKASI GOOGLE PLAY MENGGUNAKAN NAyaVE BAYES Jurnal Informatika journal eng unila ac index php jitet article view 3348
  2. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas)i. analisis sentimen tweet vaksin covid recurrent... doi.org/10.29207/resti.v5i4.3308Jurnal RESTI Rekayasa Sistem dan Teknologi Informas i analisis sentimen tweet vaksin covid recurrent doi 10 29207 resti v5i4 3308
  3. Analisis Review Pengguna Google Meet dan Zoom Cloud Meeting Menggunakan Algoritma Naïve... ejournal.bsi.ac.id/ejurnal/index.php/infortech/article/view/9286Analisis Review Pengguna Google Meet dan Zoom Cloud Meeting Menggunakan Algoritma NayEAve ejournal bsi ac ejurnal index php infortech article view 9286
  4. ANALISIS SENTIMEN PADA ULASAN APLIKASI AMAZON SHOPPING DI GOOGLE PLAY STORE MENGGUNAKAN NAIVE BAYES CLASSIFIER... doi.org/10.56127/jts.v1i3.434ANALISIS SENTIMEN PADA ULASAN APLIKASI AMAZON SHOPPING DI GOOGLE PLAY STORE MENGGUNAKAN NAIVE BAYES CLASSIFIER doi 10 56127 jts v1i3 434
Read online
File size638.67 KB
Pages12
DMCAReport

Related /

ads-block-test