Call Number | KA-1911 (Softcopy KA-1917) MAK KA-1563 |
Collection Type | Karya Akhir (KA) |
Title | Analisis Sentimen Berbasis Aspek pada Kualitas Layanan Mobile Banking Menggunakan Metode Machine Learning. Studi Kasus: LINE Bank by Hana Bank |
Author | Veny Anggraini; |
Publisher | Jakarta : Program Studi Magister Teknologi Informasi Fasilkom UI, 2025 |
Subject | Sentiment Analysis |
Location | FASILKOM-UI; |
Nomor Panggil | ID Koleksi | Status |
---|---|---|
KA-1911 (Softcopy KA-1917) MAK KA-1563 | Indonesia | TERSEDIA |
Pertumbuhan pesat transaksi digital di Indonesia mendorong transformasi digital pada perbankan konvensional dan digital. Layanan bank digital sepenuhnya mengandalkan kemudahan akses melalui aplikasi mobile banking. LINE Bank, sebagai bank digital dari Hana Bank, memerlukan alat ukur kepuasan pelanggan yang sesuai dengan karakteristik bank digital tanpa bergantung pada survei di kantor cabang. Penelitian ini mengukur kepuasan pelanggan dengan menganalisis ulasan pengguna di mobile app stores menggunakan analisis sentimen dan faktor kualitas layanan Shankar. Proses ini melibatkan algoritma machine learning, seperti Logistic Regression, Random Forest, dan SVM. Tahapan penelitian meliputi ekstraksi data ulasan, pelabelan sentimen, preprocessing, ekstraksi fitur, klasifikasi model, dan evaluasi performa menggunakan F1 score karena distribusi data yang tidak merata. Dari 7.749 ulasan (96,36% dari Google Play Store dan 3,64% dari Apple App Store), penelitian menemukan bahwa pelanggan puas pada aspek Convenience, tetapi tidak puas pada aspek Navigation, Customer Support, Privacy and Security, dan Efficiency. Algoritma SVM menunjukkan performa terbaik dengan F1-score 0,884 untuk klasifikasi sentimen dan 0,715 untuk kualitas layanan menggunakan 10-Fold Cross Validation. Penelitian ini merekomendasikan SVM sebagai model efektif untuk mengukur kepuasan pelanggan berbasis analisis sentimen dan faktor kualitas layanan mobile banking Shankar. Hasil penelitian ini dapat membantu bank menangani keluhan nasabah, meningkatkan fitur layanan, dan memperbaiki layanan. Penelitian selanjutnya disarankan memperkaya kosa kata untuk tahapan normalisasi, menerapkan multi-lingual preprocessing, dan menganalisis hubungan semantik antar kata.