Analisis Sentimen Pada Aplikasi Livin’ By Mandiri Menggunakan Metode Tf-Idf Dan Naive Bayes

Abstract

Penelitian ini bertujuan untuk menganalisis sentimen ulasan pengguna aplikasi Livin’ by Mandiri dengan menggunakan metode Term Frequency-Inverse Document Frequency (TF-IDF) dan algoritma Multinomial Naive Bayes. Dataset diambil dari ulasan pengguna yang diperoleh melalui GitHub dan mencakup informasi tanggal, isi ulasan, rating, dan versi aplikasi. Tahapan penelitian meliputi pengumpulan data, preprocessing (pembersihan duplikasi, penanganan missing values, normalisasi teks), pelabelan sentimen berdasarkan rating, ekstraksi fitur teks menggunakan TF-IDF, dan pemodelan menggunakan Multinomial Naive Bayes.

Hasil analisis menunjukkan distribusi sentimen didominasi oleh sentimen positif (62,1%), diikuti negatif (31,0%), dan netral (6,0%). Model Multinomial Naive Bayes menghasilkan akurasi sebesar 85,04%, precision 71,94%, recall 60,67%, dan F1-score 57,71%. Kata kunci yang paling sering muncul dalam ulasan meliputi “bisa”, “sangat”, “aplikasi”, dan “livin”. Tren bulanan menunjukkan lonjakan sentimen positif pada Juli 2022 yang diikuti penurunan pada bulan berikutnya, sementara sentimen negatif cenderung stabil namun meningkat pada periode tertentu.

Temuan ini memberikan wawasan strategis bagi pengembang aplikasi untuk meningkatkan fitur yang sudah diapresiasi pengguna sekaligus memperbaiki masalah teknis yang menjadi sumber keluhan. Rekomendasi meliputi peningkatan kualitas layanan, pengembangan model yang lebih baik dalam mengenali sentimen netral, serta pemantauan ulasan secara berkala untuk respons cepat terhadap umpan balik pengguna.