Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol.
No.
April 2025, hlm.
Akreditasi KEMENRISTEKDIKTI.
No.
36/E/KPT/2019
DOI: 10.
25126/jtiik.
p-ISSN: 2355-7699
e-ISSN: 2528-6579
ANALISIS SENTIMEN BERBASIS ASPEK PADA APLIKASI MOBILE
MENGGUNAKAN NAyaVE BAYES BERDASARKAN ULASAN PENGGUNA PLAYSTORE (STUDI KASUS : JCONNECT MOBILE) Alland Rifqy Putra*1.
Dian Eka Ratnawati2 Universitas Brawijaya.
Malang Email: allandrifqy77@gmail.
com, 2dian_ilkom@ub.
Penulis Korespondensi (Naskah masuk: 13 Januari 2025, diterima untuk diterbitkan: 12 April 2.
Abstrak JConnect Mobile merupakan salah satu aplikasi mobile banking di Indonesia yang dikembangkan oleh Bank Jatim.
Hasil pengamatan pada ulasan playstore menunjukkan masih terdapat keluhan pengguna terkait aplikasi JConnect Mobile.
Ulasan dari pengguna dapat dimanfaatkan sebagai sumber untuk melakukan peningkatan aplikasi.
Salah satu cara untuk melakukan analisis pada ulasan pengguna yaitu dengan analisis sentimen.
Penelitian ini melakukan analisis sentimen berbasis aspek untuk mengidentifikasi sentimen positif dan negatif pada ulasan pengguna.
Data yang digunakan dalam penelitian ini adalah ulasan pengguna terhadap aplikasi JConnect Mobile di playstore.
Aspek yang digunakan yaitu tampilan, fitur dan performa, layanan.
Metode yang digunakan dalam penelitian ini yaitu pengumpulan data, pelabelan data, preprocessing teks, klasifikasi dan pengujian, analisis hasil.
Klasifikasi dilakukan dengan menggunakan algoritma Nayve Bayes dan pembobotan Term Frequency-Inverse Document Frequency (TF-IDF).
Hasil dari analisis sentimen dilakukan Root Cause Analysis (RCA) untuk mengetahui akar permasalahan dari sentimen negatif.
Hasil pengujian algoritma Nayve Bayes pada seluruh data didapatkan akurasi 1%, presisi 93.
2%, recall 93.
1%, dan f1-score 93.
Hasil RCA menemukan lima permasalahan utama yang dapat ditingkatkan dari aplikasi.
Berdasarkan hasil RCA kemudian dilakukan penyusunan rekomendasi untuk dapat meningkatkan kualitas layanan dari aplikasi.
Hasil penelitian ini menghasilkan rekomendasi yang telah diserahkan kepada pihak Bank Jatim sebagai bahan evaluasi dan perbaikan dalam aspek tampilan, fitur, performa, dan layanan aplikasi untuk meningkatkan kepuasan pengguna.
Kata kunci: mobile banking, analisis sentimen, nayve bayes, root cause analysis, aspek, playstore ASPECT-BASED SENTIMENT ANALYSIS ON MOBILE APPLICATIONS USING NAyaVE BAYES BASED ON PLAYSTORE USER REVIEWS
(CASE STUDY: JCONNECT MOBILE)
Abstract JConnect Mobile is one of the mobile banking applications in Indonesia developed by Bank Jatim.
Observations on playstore reviews show that there are still user complaints regarding the JConnect Mobile application.
Reviews from users can be utilized as a source for making application improvements.
One way to analyze user reviews is with sentiment analysis.
This research conducts aspect-based sentiment analysis to identify positive and negative sentiments in user reviews.
The data used in this study are user reviews of the JConnect Mobile application in PlayStore.
The aspects used are appearance, features and performance, service.
The methods used in this research are data collection, data labeling, text preprocessing, classification and testing, result analysis.
Classification is done using the Nayve Bayes algorithm and Term Frequency-Inverse Document Frequency (TF-IDF) weighting.
The results of sentiment analysis are carried out Root Cause Analysis (RCA) to find out the root causes of negative The results of testing the Nayve Bayes algorithm on all data obtained an accuracy of 93.
1%, precision 2%, recall of 93.
1%, and f1-score of 93.
The RCA results found five main problems that can be improved from the application.
Based on the RCA results, recommendations are made to improve the service quality of the The results of this study resulted in recommendations that have been submitted to the Bank Jatim as evaluation and improvement materials in the aspects of appearance, features, performance, and application services to increase user satisfaction.
Keywords: mobile banking, sentiment analysis, nayve bayes, root cause analysis, aspect, playstore 294 Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK).
Vol.
No.
April 2025, hlm.
PENDAHULUAN
Teknologi telah menjadi bagian dalam kehidupan sehari-hari dalam berbagai bidang.
Bidang perbankan menjadi salah satu yang terdampak dari penggunaan teknologi.
Teknologi membantu proses pelayanan dan transaksi menjadi lebih mudah dan Survei yang diadakan oleh finder.
menunjukkan bahwa pengguna bank digital di Indonesia akan terus mengalami peningkatan hingga 39% pada tahun 2026 (Jayani, 2.
Salah satu bank yang menggunakan teknologi dalam proses pelayanannya adalah Bank Jatim.
JConnect Mobile adalah aplikasi mobile banking yang merupakan inovasi dari Bank Jatim untuk memudahkan pelayanan nasabah.
JConnect Mobile memiliki rating yang rendah jika dibandingkan dengan aplikasi mobile banking lainnya dengan rating 3,1 dari skala 5 (JConnect Mobile, n.
Hasil pengamatan pada ulasan pengguna di playstore menunjukkan masih banyak ulasan pengguna yang berisi komplain terkait permasalahan seperti loading yang lama dan kendala pada beberapa fungsionalitas pada aplikasi yang menunjukkan perlunya evaluasi untuk aplikasi JConnect Mobile.
Ulasan yang diberikan oleh pengguna dapat digunakan sebagai sumber informasi untuk melakukan perbaikan layanan, produk, ataupun hubungan dengan pelanggan.
Analisis sentimen adalah salah satu cara untuk menganalisis data ulasan yang banyak.
Analisis sentimen umumnya dilakukan pada tingkat dokumen dengan melihat seluruh dokumen secara utuh dan mengkategorikannya sebagai positif atau negatif.
Analisis sentimen tingkat dokumen tidak menunjukkan apa yang pengguna suka dan tidak (Devika, et al.
, 2.
Analisis sentimen berbasis aspek merupakan salah satu jenis analisis sentimen Analisis sentimen berbasis aspek merupakan salah satu tingkatan dalam analisis sentimen yang bertujuan untuk menemukan polaritas dari aspek yang telah Analisis sentimen berbasis aspek dapat memberikan informasi sentimen yang lebih komprehensif untuk suatu entitas pada sebuah teks (Fan, et al.
, 2.
Penelitian yang dilakukan oleh Alqaryouti et al.
menghasilkan lima aspek yang dapat digunakan untuk aplikasi pintar pemerintah yaitu User Interface.
User Experience.
Functionality dan Performance.
Security.
Support dan Updates.
Penelitian lainnya dari Astuti .
tentang analisis menggunakan Nayve Bayes pada aplikasi Tokopedia didapatkan hasil akurasi tertinggi 92,5% dengan nilai AUC sebesar 0,95.
Penelitian yang dilakukan oleh Zhafira et al.
menunjukkan TF-IDF (Term Frequency-Inverse Document Frequenc.
dapat meningkatkan performa Nayve Bayes dalam klasifikasi teks.
Untuk dapat menganalisis lebih dalam hasil dari analisis sentimen salah satu cara yang dapat digunakan yaitu melakukan Root Cause Analysis (RCA).
RCA dapat diterapkan pada hasil analisis sentimen untuk mengidentifikasi faktorfaktor utama yang menyebabkan sentimen negatif dalam setiap aspek.
RCA dapat digunakan untuk komprehensif sehingga dapat menjadi pedoman yang tepat dalam penentuan strategi yang tepat (Rahmawati, et al.
, 2.
Berdasarkan dijelaskan maka dilakukan penelitian analisis sentimen berbasis aspek pada aplikasi JConnect Mobile melalui ulasan pengguna playstore dengan menggunakan Nayve Bayes.
Hasil dari analisis sentimen kemudian dilakukan Root Cause Analysis untuk mengetahui permasalahan utama yang sering dialami pada setiap aspek.
Aspek yang akan digunakan pada penelitian ini yaitu tampilan, performa dan fitur, layanan.
Dengan penelitian ini diharapkan dapat memberi wawasan serta dapat menjadi referensi bagi PT Bank Pembangunan Daerah Jawa Timur Tbk (AuBank JatimA.
untuk meningkatkan layanan dan kualitas pada aplikasi JConnect Mobile.
METODE PENELITIAN
Metode yang digunakan dalam penelitian ini digambarkan pada Gambar 1.
1 Pengumpulan Data Pengumpulan data akan dilakukan dengan menggunakan library google-play-scraper pada ulasan aplikasi JConnect Mobile dengan rentang waktu 1 januari 2022 Ae 28 Februari 2023.
Data yang tidak relevan dan tidak sesuai akan dihapus dari Contoh ulasan tidak relevan ditampilkan pada Tabel 1.
Tabel 1.
Ulasan Tidak Relevan Ulasan Tidak Relevan belum mencoba sih selalu lihat berita ter baru se dunia ekonomi keamanan kesehatan sosial coba posting belajar sama visa unduh all bank jawa timur yang lagi pembaruan sambil baca komentar mana suaranya di yang c wax cc 2 Pelabelan Data Pemberian label data dilakukan secara manual dengan bantuan 2 orang responden yang memiliki latar belakang pendidikan bahasa Indonesia untuk mengurangi subjektifitas saat pelabelan.
Label pada data dibagi menjadi 2 kelas yaitu positif dan negatif.
Aspek yang digunakan ada 3 yaitu tampilan, fitur dan performa, layanan.
Data yang memiliki 2 aspek dalam satu ulasan akan dipisahkan berdasarkan aspek yang Penjelasan dari setiap aspek yang digunakan dalam penelitian ini ditampilkan pada Tabel 2.
Putra & Ratnawati.
Analisis Sentimen Berbasis AspekA 295 yang tidak besar dan mengelompokkan kata yang memiliki arti serupa.
4 Ekstraksi Fitur Data yang telah dilakukan pre-processing kemudian diubah menjadi vektor untuk dapat dilakukan klasifikasi pada tahap berikutnya.
Transformasi menjadi vektor akan menggunakan perhitungan TF-IDF pada setiap dokumen yang ada.
Pada tahap ini akan dihasilkan data berupa vektor hasil perhitungan TF-IDF.
5 Klasifikasi Dan Pengujian Pada tahap ini akan dilakukan implementasi algoritma Nayve Bayes untuk klasifikasi data yang telah dihasilkan pada tahap sebelumnya dan dilakukan pengujian menggunakan metode K-Fold Cross Validation.
Klasifikasi akan menggunakan Multinomial Nayve Bayes.
Performa algoritma dihitung dengan metriks akurasi, presisi, recall, dan f1-score.
6 Analisis Hasil Gambar 1.
Metode Penelitian Aspek Tampilan Tabel 2.
Kategori Aspek Deskripsi Aspek terkait kualitas aplikasi dari sisi desain dan antarmuka, dan kemudahan Fitur dan Performa Layanan Aspek terkait keandalan dan kinerja aplikasi, serta fiturfitur yang tersedia.
Aspek terkait pengalaman pengguna dan tingkat kepuasan mereka, serta perasaan mereka terhadap layanan yang diberikan 3 Pre-Processing Data Data yang telah memiliki label akan diolah dengan beberapa tahap yaitu cleansing, case folding, filtering, stemming.
Pada tahap ini akan dihasilkan data yang telah bersih dan siap digunakan.
Proses cleansing dilakukan penghapusan angka, simbol, dan karakter lain selain huruf yang dianggap sebagai noise dalam teks (Insan, et al.
, 2.
Case folding melakukan transformasi pada semua huruf dalam teks menjadi huruf kecil (Albab, et al.
, 2.
Tahap filtering dilakukan penyaringan kata yang termasuk dalam stopword atau kata yang tidak memiliki arti dan tidak menggambarkan isi dari dokumen dan tidak membantu proses klasifikasi.
Tahap terakhir adalah stemming yaitu merubah seluruh kata pada teks menjadi bentuk dasar sehingga data memiliki dimensi Pada tahap ini dilakukan analisis hasil klasifikasi dan analisis terhadap sentimen negatif yang didapatkan dengan menggunakan root cause analysis pada masing masing aspek untuk menemukan akar permasalahan atau hal yang dapat ditingkatkan pada setiap aspek.
Setelah analisis dilakukan kemudian dilakukan pembuatan rekomendasi berdasarkan hasil yang didapat yang kemudian dikomunikasikan dengan stakeholder terkait.
LANDASAN KEPUSTAKAAN
1 Term Frequency-Inverse Document Frequency (TF-IDF) TF-IDF merupakan metode pembobotan yang didapatkan dari hasil perkalian TF dan IDF.
Term Frequency (TF) adalah bobot dari suatu kata berdasarkan tingkat kemunculannya pada sebuah dokumen (Yutika, et al.
, 2.
Inverse Document Frequency (IDF) dibuat untuk mengurangi pengaruh dari kata yang terlalu sering muncul didalam kumpulan dokumen.
Semakin sering kata muncul pada banyak dokumen maka semakin rendah IDF pada kata tersebut (Yutika, et al.
, 2.
Perhitungan dari TF-IDF dapat dilihat pada persamaan .
2 Algoritma Nayve Bayes Algoritma Nayve Bayes merupakan salah satu algoritma yang dapat digunakan dalam klasifikasi.
Algoritma ini didasarkan pada model probabilistik yang disederhanakan dengan berdasar teorema bayes (Fikri, et al.
, 2.
ycu ycNya.
c, yc.
= yce.
c, yc.
( ycoycuyci ycu .
296 Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK).
Vol.
No.
April 2025, hlm.
Keterangan:
c, yc.
IDF.
ycu ycuyco = Frekuensi kata t dalam dokumen d = Nilai IDF dari kata t = Jumlah dokumen = Jumlah dokumen yang mengandung Algoritma ini mengasumsikan bahwa setiap variabel bersifat bebas atau independen yang berarti ada atau tidaknya ciri tertentu pada suatu kelas tidak berhubungan dengan kelas lainnya.
Multinomial Nayve Bayes merupakan salah satu jenis algoritma Nayve Bayes yang cocok digunakan dalam klasifikasi data berbentuk teks (Pangestu & Kodar, 2.
Model multinomial menghitung probabilitas pada setiap kata dalam dokumen pada setiap kategori Untuk menghitung probabilitas dari sebuah dokumen masuk pada kategori terntentu (Wati, et al.
, 2.
Perhitungan klasifikasi dari algoritma Multinomial Nayve Bayes dapat dilihat pada persamaan .
= ycE.
Keterangan:
= Prior dari kategori C ycE.
= Probabilitasi kata ycuycu dalam dokumen masuk dalam kategori C ycuycu = Jumlah kata ycuycu dalam dokumen / bobot TF-IDF ycE.
= Probabilitas dokumen D termasuk dalam kategori C 3 K-Fold Cross Validation K-Fold Cross Validation adalah Metode yang digunakan untuk melakukan pengujian model dengan cara membagi data sebanyak k bagian dan melakukan iterasi sebanyak k bagian juga (Ratnawati, 2.
Pengujian akan menggunakan partisi yang berbeda pada tiap iterasinya dan akan dilihat hasil dari masing masing iterasinya.
Sebagai contoh pada validasi pertama menggunakan data pada posisi pertama maka pada iterasi berikutnya akan menggunakan data validasi pada posisi kedua dan seterusnya.
4 Root Cause Analysis (RCA) RCA merupakan metode yang digunakan untuk mendiagnosis penyebab kritis dari suatu kesalahan atau fenomena yang tidak dikehendaki (Park & Kim.
RCA merupakan alat yang digunakan untuk mengetahui tidak hanya apa dan bagaimana suatu masalah terjadi tetapi kenapa permasalahan terjadi (Rooney & Vanden Hauvel, 2.
HASIL DAN ANALISIS
1 Hasil Pelabelan Total data yang didapatkan berjumlah 1787 data dengan rincian ditampilkan pada Tabel 3.
Hasil pelabelan yang dilakukan menunjukkan secara keseluruhan aplikasi JConnect Mobile mendapatkan banyak sentimen positif dari pengguna dengan 899 ulasan positif atau setara dengan 50.
03% dari keseluruhan data.
Aspek layanan memiliki jumlah ulasan terbanyak dengan 919 ulasan dan aspek tampilan dengan ulasan paling sedikit dengan 61 Aspek fitur dan performa menjadi satu satunya aspek yang memiliki ulasan dengan sentimen negatif lebih banyak daripada sentimen positif.
Hasil pelabelan ditampilkan pada Tabel 3.
Aspek Tabel 3.
Distribusi Sentimen Positif Negatif Total Rasio Tampilan 77 : 1 Fitur dan Performa 1 : 2.
Layanan 50 : 1 Total 2 Hasil Pengujian Klasifikasi Sentimen Pengujian dilakukan dengan k-fold cross validation dengan k bernilai 10 untuk menguji performa model dengan metriks pengujian yaitu akurasi, presisi, recall, dan f1-score.
Aspek Tabel 4.
Hasil K-Fold Cross Validation Akurasi Presisi Recall F1-Score Tampilan Fitur dan Performa Layanan Semua Data Hasil pengujian menunjukkan model pada aspek layanan memiliki performa paling bagus diantara aspek lainnya.
Aspek layanan mendapatkan performa paling bagus karena memiliki dataset dengan rasio perbandingan kelas dengan data banyak .
erbanyak ke-.
dan seimbang .
eimbang ke-.
Hasil pengujian pada aspek layanan yang menunjukkan performa yang bagus dan stabil antara akurasi, presisi, recall, dan f1-score, menunjukkan bahwa model pada aspek layanan dapat memprediksi kelas sentimen dengan sangat baik.
Performa yang baik pada aspek layanan juga dihasilkan karena data yang ada pada aspek layanan lebih sederhana jika dibandingkan dengan aspek lainnya.
Hal tersebut ditunjukkan dengan rerata jumlah fitur pada aspek layanan yang lebih sedikit jika dibandingkan dengan jumlah fitur pada aspek fitur dan performa yang memiliki jumlah data lebih Hasil dari pengujian tesebut didukung oleh jurnal yang ditulis oleh (Sun, et al.
, 2.
yang mengatakan semakin kecil rasio ketidakseimbangan distribusi data maka performa cenderung semakin Jurnal tersebut juga mengatakan bahwa ketika dataset dalam bentuk tidak seimbang maka jumlah Putra & Ratnawati.
Analisis Sentimen Berbasis AspekA 297 data memiliki peran penting dalam menentukan performa model.
Aspek fitur dan performa secara keseluruhan memiliki performa paling baik kedua jika dilihat dari nilai f1-score.
Presisi yang rendah pada aspek fitur dan performa disebabkan oleh sering munculnya false positive pada pengujian yang dilakukan yang menunjukkan model masih kurang dalam memprediksi kelas positif dengan akurat.
Presisi yang rendah dapat disebabkan oleh data yang tidak seimbang antar kelas dan fitur yang tumpang tindih antar kelas sehingga fitur cenderung tidak representatif untuk setiap kelas.
Aspek tampilan memiliki performa paling rendah jika dilihat secara keseluruhan dikarenakan meskipun datanya paling seimbang diantara aspek lainnya tetapi data yang dimiliki paling sedikit.
Tabel 6.
Permasalahan Pada Prinsip Nielsen Prinsip Permasalahan Delay scroll yang dapat diakibatkan oleh animasi yang terlalu berat, konten Aesthetic and minimalist visual yang terlalu banyak Keterangan di mutasi kurang Recognition rather than kesulitan menemukan menu cek saldo dan mutasi 2 Aspek Fitur dan Performa 3 Hasil Root Cause Analysis Root Cause Analysis (RCA) dilakukan dengan mencari pola kalimat yang sering muncul pada.
Pola kalimat dicari dengan menggunakan wordcloud untuk mencari ulasan yang paling sering dibicarakan pada ulasan negatif untuk mencari permasalahan yang ada.
Hasil dari wordcloud ulasan negatif kemudian digunakan untuk membuat root cause tree dengan cara menelusuri ulasan yang ada dengan kata kunci yang muncul pada wordcloud yang telah Hasil dari root cause tree yang dibuat menghasilkan root cause dari masing masing aspek.
Hasil dari root cause tree dapat dilihat pada Gambar 2.
Gambar 3, dan Gambar 4.
1 Aspek Tampilan Gambar 3.
Root Cause Tree Fitur Dan Performa Permasalahan yang ditemukan pada aspek fitur dan performa dapat terjadi karena permasalahan jaringan, permasalahan provider, bug sistem, dan traffic aplikasi yang sedang ramai sehingga menyebabkan aplikasi menjadi lambat.
Permasalahan seringnya sistem meminta aktivasi ulang juga dapat terjadi karena ketidaktahuan pengguna tentang halhal yang dapat menyebabkan aktivasi ulang dan kendala dari koneksi internet pengguna.
3 Aspek Layanan Gambar 2.
Root Cause Tree Tampilan Hasil wawancara dengan stakeholder terkait permasalahan yang ditemukan dalam aspek tampilan menunjukkan bahwa desain masih menggunakan pemrograman sederhana sehingga untuk merubah desain secara penuh masih terbatas, selain itu fokus utama saat ini adalah fitur aplikasi masih bisa memenuhi kebutuhan nasabah dan bekerja dengan Permasalahan yang telah ditemukan kemudian disesuaikan dengan 10 prinsip dari Jakob Nielsen untuk desain interaksi sebagai pedoman.
Prinsip yang dikemukakan oleh Jakob Nielsen disebut AuheuristikAy karena merupakan pedoman umum dan bukan pedoman spesifik (Nielsen, 2.
Sebaran Nielsen ditampilkan pada Tabel 6.
Gambar 4.
Root Cause Tree Layanan Proses aktivasi yang mengharuskan nasabah untuk datang ke kantor cabang dilakukan karena pertimbangan faktor kemanan dimana harus nasabahnya langsung yang bisa melakukan aktivasi.
Hasil komunikasi dan root cause yang telah didapatkan tersebut kemudian digunakan untuk membuat rekomendasi evaluasi yang dapat Hasil rekomendasi yang telah disusun ditampilkan pada Tabel 7.
KESIMPULAN DAN SARAN
Hasil pengujian algoritma Nayve Bayes dengan kfold cross validation menunjukkan bahwa model yang dibangun memiliki performa yang baik dalam mengklasifikasikan sentimen pada teks.
298 Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK).
Vol.
No.
April 2025, hlm.
Aspek Tampilan Tabel 7.
Rekomendasi Evaluasi Root Cause Rekomendasi Memperbarui desain dan tampilan dengan seperti animasi yang halus dan tidak berat Desain sederhana dan kurang menarik Optimasi pada kode skrip dan optimasi pada gambar atau media lainnya sehingga delay scroll dapat dihindari Pertimbangkan untuk elemen desain yang menarik, seperti ikon yang indah, animasi halus, atau penggunaan warna yang menarik dengan tetap menjaga sehingga tetap mudah dipahami oleh Melakukan optimasi fitur aktivasi Sering meminta aktivasi ulang Memberikan hal-hal aktivasi ulang Melakukan optimasi fitur aktivasi Tidak menerima nomor aktivasi Fitur dan Performa Sistem kurang .
ering terjadi eror dan Layanan Layanan aktivasi
harus ke kantor
ATM
Menambahkan menggunakan e-mail atau aplikasi pesan seperti whatsapp Sistem kurang stabil biasa terjadi ketika traffic sedang ramai pada aplikasi.
Untuk mengatasi masalah untuk infrastruktur server, database, dan kerja aplikasi Menambahkan opsi Hasil pengujian pada seluruh data ulasan menghasilkan rata-rata akurasi 93.
1%, presisi 93.
1%, dan f1-score 93.
Hasil pengujian pada masing-masing aspek menunjukkan aspek layanan menghasilkan performa paling baik dengan rata-rata akurasi 96.
5%, presisi 8%, recall 95.
7%, dan f1-score 95.
Aspek fitur dan performa menghasilkan rata-rata akurasi 91.
2%, recall 89.
6%, f1-score 88.
Aspek tampilan menghasilkan rata-rata akurasi 86.
9%, recall 85.
8% dan f1-score 85.
Aspek tampilan menghasilkan performa paling rendah dikarenakan memiliki jumlah data paling Aspek Layanan mendapatkan hasil paling baik karena memiliki jumlah data yang banyak dan data yang sederhana sehingga mudah diklasifikasikan Aspek tampilan, layanan mendapatkan sentimen positif lebih banyak daripada sentimen negatif dimana pengguna puas dengan aspek tampilan yang mudah digunakan dan aspek layanan yang memudahkan dalam bertransaksi.
Aspek fitur dan performa mendapatkan ulasan paling banyak dengan jumlah sentimen negatif lebih banyak daripada sentimen positif.
Hasil root cause analysis pada sentimen negatif mendapatkan 5 permasalahan dari 3 aspek .
ampilan, fitur dan performa, dan layana.
yang kemudian dikomunikasikan kepada stakeholder dan dibuat rekomendasi yang dapat diterapkan oleh JConnect Mobile.
Rekomendasi yang didapatkan sebanyak 9 rekomendasi diantaranya adalah menambahkan opsi aktivasi secara online.
Rekomendasi yang didapatkan kemudian diserahkan kepada pihak Bank Jatim sebagai bahan evaluasi.
Penelitian ini hanya menggunakan data
bersumber pada kolom ulasan playstore sehingga pada penelitian berikutnya dapat menambahkan data
terbaru dan menambahkan sumber ulasan pengguna lain seperti melalui media sosial
Pada penelitian selanjutnya dapat menggunakan proses pelabelan otomatis dengan mesin untuk melihat perbedaan hasil yang didapat DAFTAR PUSTAKA