Eksplorasi Sentimen Pengguna Media Sosial Terhadap Layanan Seabank: Pendekatan Dengan Algoritma Bert
Abstract
Bank SeaBank is a digital bank that has social media accounts on Twitter (X) and YouTube with thousands of followers. These platforms are often used to express opinions or comments on various topics. This research aims to provide a benchmark for Bank SeaBank to improve its services based on positive and negative user reviews. The data analyzed consists of 500 comments on Twitter (X) and YouTube with the keyword "Bank SeaBank." The methods used include machine learning algorithms such as SVM, Naïve Bayes, k-NN, Decision Tree, Logistic Regression, as well as the deep learning algorithm pre-trained BERT. The analysis results show the highest accuracy for SVM at 84%, followed by Naïve Bayes at 81%, k-NN at 80%, and both Decision Tree and Logistic Regression at 77%. The deep learning algorithm BERT achieved an accuracy of 86% with 3 epochs and a training-to-testing data ratio of 80:20.
Kata kunci: SeaBank; Social media; BERT algorithm
Abstrak
Bank SeaBank adalah salah satu bank digital yang memiliki media sosial Twitter (X) dan YouTube dengan ribuan pengikut. Kedua platform ini sering digunakan untuk menyampaikan pendapat atau komentar tentang berbagai topik. Penelitian ini bertujuan untuk memberikan tolak ukur bagi Bank SeaBank dalam meningkatkan layanan berdasarkan ulasan positif dan negatif dari pengguna. Data yang dianalisis terdiri dari 500 komentar di Twitter (X) dan YouTube dengan kata kunci "Bank SeaBank". Metode yang digunakan mencakup algoritma machine learning seperti SVM, Naïve Bayes, k-NN, Decision Tree, Logistic Regression, serta algoritma deep learning pre-trained BERT. Hasil analisis menunjukkan akurasi tertinggi pada SVM sebesar 84%, diikuti oleh Naïve Bayes sebesar 81%, k-NN sebesar 80%, Decision Tree dan Logistic Regression masing-masing sebesar 77%. Algoritma deep learning BERT mencapai akurasi 86% dengan 3 epoch dan proporsi data latih dan uji sebesar 80:20
Kata Kunci: SeaBank; Media Sosial; Algoritma BERT
References
Devi Fitriana and Dedy Kurniawan, “Analisis Faktor-Faktor yang Memengaruhi Niat Penggunaan Bank Digital SeaBank menggunakan Modifikasi UTAUT2 dengan Security, Privacy, dan Trust,” Indones. J. Comput. Sci., vol. 12, no. 6, pp. 3986–4002, 2023, doi: 10.33022/ijcs.v12i6.3538.
F. A. Girnanfa and A. Susilo, “Studi Dramaturgi Pengelolaan Kesan Melalui Twitter Sebagai Sarana Eksistensi Diri Mahasiswa di Jakarta,” J. New Media Commun., vol. 1, no. 1, pp. 58–73, 2022, doi: 10.55985/jnmc.v1i1.2.
R. A. Husen, R. Astuti, L. Marlia, R. Rahmaddeni, and L. Efrizoni, “Analisis Sentimen Opini Publik pada Twitter Terhadap Bank BSI Menggunakan Algoritma Machine Learning,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 3, no. 2, pp. 211–218, 2023, doi: 10.57152/malcom.v3i2.901.
I. D. Onantya and P. P. Adikara, “Analisis Sentimen Pada Ulasan Aplikasi BCA Mobile Menggunakan BM25 Dan Improved K-Nearest Neighbor,” J-Ptiik.Ub.Ac.Id, vol. 3, no. 3, pp. 2575–2580, 2019.
Alun Sujjadaa, Somantri, Juwita Nurfazri Novianti, and Indra Griha Tofik Isa, “Analisis Sentimen Terhadap Review Bank Digital Pada Google Play Store Menggunakan Metode Support Vector Machine (Svm),” J. Rekayasa Teknol. Nusa Putra, vol. 9, no. 2, pp. 122–135, 2023, doi: 10.52005/rekayasa.v9i2.345.
N. Fibriyanti Arminda, N. Sulistiyowati, and T. Nur Padilah, “Implementasi Algoritma Multinomial Naive Bayes Pada Analisis Sentimen Terhadap Ulasan Pengguna Aplikasi Brimo,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 3, pp. 1817–1822, 2023, doi: 10.36040/jati.v7i3.7012.
Kurnia, I. Purnamasari, and D. D. Saputra, “Analisis Sentimen Dengan Metode Naïve Bayes, SMOTE Dan Adaboost Pada Twitter Bank BTN,” J. JTIK (Jurnal Teknol. Inf. dan Komunikasi), vol. 7, no. 2, pp. 235–242, 2023, doi: 10.35870/jtik.v7i3.707.
Syafii Imam Muhamad, “Sentimen Analisis Pada Media Sosial Menggunakan Metode Naive Bayes Classifier (Nbc),” Teknologipintar.org, vol. 3, no. 2, p. 1, 2023.
L. Annisa, A. D. Kalifia, B. Humaniora, and U. T. Yogyakarta, “Gudang Jurnal Multidisiplin Ilmu Analisis Teknik TF-IDF Dalam Identifikasi Faktor-Faktor Penyebab Depresi Pada Individu,” vol. 2, pp. 302–307, 2024.
A. Ahmad and W. Gata, “Sentimen Analisis Masyarakat Indonesia di Twitter Terkait Metaverse dengan Algoritma Support Vector Machine,” J. JTIK (Jurnal Teknol. Inf. dan Komunikasi), vol. 6, no. 4, pp. 548–555, 2022, doi: 10.35870/jtik.v6i4.569.
N. Riyanah and F. Fatmawati, “Penerapan Algoritma Naive Bayes Untuk Klasifikasi Penerima Bantuan Surat Keterangan Tidak Mampu,” JTIM J. Teknol. Inf. dan Multimed., vol. 2, no. 4, pp. 206–213, 2021, doi: 10.35746/jtim.v2i4.117.
D. Cahyanti, A. Rahmayani, and S. A. Husniar, “Analisis performa metode Knn pada Dataset pasien pengidap Kanker Payudara,” Indones. J. Data Sci., vol. 1, no. 2, pp. 39–43, 2020, doi: 10.33096/ijodas.v1i2.13.
R. Fatmasari, R. K. Septiani, T. H. Pinem, D. Fabiyanto, and W. Gata, “Implementasi Algoritma BERT Pada Komentar Layanan Akademik dan Non Akademik Universitas Terbuka di Media Sosial,” Sains, Apl. Komputasi dan Teknol. Inf., vol. 5, no. 2, pp. 96, 2024, doi: 10.30872/jsakti.v5i2.13915.
D. Y. Utami, E. Nurlelah, and F. N. Hasan, “Comparison of Neural Network Algorithms, Naive Bayes and Logistic Regression to predict diabetes,” J. Informatics Telecommun. Eng., vol. 5, no. 1, pp. 53–64, 2021, doi: 10.31289/jite.v5i1.5201.
M. F. Abdussalam, D. Richasdy, and M. A. Bijaksana, “BERT Implementation on News Sentiment Analysis and Analysis Benefits on Branding,” J. Media Inform. Budidarma, vol. 6, no. 4, pp. 2064, 2022, doi: 10.30865/mib.v6i4.4579.
How To Cite This :
Refbacks
- There are currently no refbacks.
