Analisis Sentimen Pengguna Terhadap Layanan Mobile Banking Di Indonesia Menggunakan Lexicon-Based Dan Bert

Siska Mayasari Rambe; Zulham Sitorus; Muhammad Iqbal

doi:10.30865/json.v8i1.10188

Authors

Siska Mayasari Rambe Universitas Pembangunan Panca Budi
Zulham Sitorus Universitas Pembangunan Panca Budi
Muhammad Iqbal Universitas Pembangunan Panca Budi

DOI:

https://doi.org/10.30865/json.v8i1.10188

Keywords:

Mobile Banking, analisis sentimen, Lexicon-Based, BERT, ulasan pengguna.

Abstract

Perkembangan layanan perbankan digital meningkatkan jumlah interaksi pengguna melalui aplikasi mobile banking, termasuk BRImo. Ulasan pengguna pada Google Play Store mengandung informasi mengenai pengalaman dan permasalahan layanan yang dapat dianalisis melalui sentimen. Penelitian ini bertujuan menganalisis sentimen ulasan pengguna BRImo serta membandingkan hasil klasifikasi menggunakan metode Lexicon-Based dan model BERT. Data penelitian dikumpulkan dari Google Play Store yang menghasilkan 7.000 ulasan. Setelah melalui tahap cleaning, case folding, tokenizing, stopword removal, dan filtering, diperoleh 4.815 ulasan yang digunakan dalam analisis. Metode Lexicon-Based melakukan klasifikasi berdasarkan polaritas kata, sedangkan BERT digunakan sebagai model klasifikasi sentimen berbasis representasi kontekstual. Evaluasi dilakukan menggunakan label referensi berdasarkan rating bintang, dengan rating 1-2 sebagai negatif, 3 netral, dan 4-5 positif. Hasil menunjukkan Lexicon-Based menghasilkan 1.697 sentimen positif, 2.098 netral, dan 1.020 negatif dengan accuracy 49,12%. BERT menghasilkan 1.240 positif, 1.639 netral, dan 1.936 negatif dengan accuracy 51,11%. BERT juga memperoleh recall dan F1-score lebih tinggi pada kelas negatif. Hasil penelitian menunjukkan kedua pendekatan dapat digunakan untuk analisis sentimen ulasan BRImo, dengan BERT menghasilkan accuracy sedikit lebih tinggi.

References

[1] S. Syuryadi and N. Nurani, “Sistem Informasi Monitoring Komoditas Harga Pangan Berbasis Web Dab Android,” J. It, vol. 13, no. 3, pp. 77–81, 2023, doi: 10.37639/jti.v13i3.339.

[2] Z. Sitorus, I. Syahputra, C. Indra Angkat, and D. Sartika, “Implementation of K-Means Clustering for Inventory Projection,” Int. J. Sci. Technol. Manag., vol. 5, no. 3, pp. 673–678, 2024, doi: 10.46729/ijstm.v5i3.856.

[3] A. Rizky et al., “Deep Q-Network Analysis in Optimizing Data Processing for Decision Making on Fuel Expenditure Finance,” vol. 07, no. 02, pp. 80–89, 2025.

[4] Arifin, Z. Sitorus, M. Iqbal, A. P. Utama Siahaan, and S. Wahyuni, “ANALYSIS OF THE SALES POTENTIAL OF BUMDES PRODUCTS USING THE K-MEANS CLUSTERING,” vol. 4, no. 1, 2025.

[5] M. R. Tanjung, M. Iqbal, and Z. Sitorus, “Analisis Sentimen Google Review terhadap Mutu Kualitas Pendidikan pada Perguruan Tinggi STIE Al-Washliyah Sibolga dengan Metode Lexicon dan Algoritma Naive Bayes-Miftah Rusydi Tanjung et al Analisis Sentimen Google Review terhadap Mutu Kualitas Pendidikan,” vol. 07, no. 02, pp. 2721–1800, 2025, [Online]. Available: https://journal.cattleyadf.org/index.php/jatilima/index

[6] W. Widia, B. Ginting, H. R. Sitepu, L. Nainggolan, A. S. Purba, and A. Br, “Penerapan Algoritma Decision Tree Data Mining untuk Prediksi Pola Pemberian Kredit pada Koperasi Simpan Pinjam,” vol. 4, no. 3, pp. 268–276, 2025, doi: 10.47065/jogtc.v4i3.8336.

[7] Z. Sitorus, M. Iqbal, D. Nasution, and R. Farta Wijaya, “Penerapan Deep Learning dan Analisis Sentimen terhadap Gap Kompetensi Lulusan Lembaga Pendidikan dan Pelatihan Vokasi terhadap Dunia Kerja dengan Metode Long Short-Term Memory (LSTM),” Bull. Inf. Technol., vol. 6, no. 2, pp. 161–172, 2025, doi: 10.47065/bit.v5i2.2029.

[8] M. Prasetya, M. Wulandari, and S. A. Nikmah, “Implementasi NLP (Natural Language Processing) Dasar pada Analisis Sentiment Review Spotify,” Stain. (Seminar Nas. Teknol. Sains), vol. 3, no. 1, pp. 145–153, 2024.

[9] H. F. Karim and A. P. Wibowo, “Kinerja Metode Fine-Tuning IndoBERT untuk Klasifikasi Emosi Multi-Kelas pada Teks Informal Bahasa Indonesia,” vol. 6, no. 1, pp. 63–74, 2025, doi: 10.47065/bulletincsr.v6i1.850.

[10] A. Darwin, D. Lestarini, and I. Seprina, “Perbandingan Kinerja Naive Bayes , Support Vector Machine dan Random Forest Untuk Analisis Sentimen Aplikasi Brimo,” vol. 7, no. 3, pp. 1662–1673, 2025, doi: 10.47065/bits.v7i3.8697.

[11] N. Afifa, R. E. Saputra, and R. A. Nugrahaeni, “Implementasi NLP Pada Chatbot Layanan Akademik Dengan Algoritma Bert,” e-Proceedings Eng., vol. 10, no. 1, pp. 383–387, 2023.

[12] N. Alfriyanto, B. C. Purnama, and F. K. Hasanah, “Analisis Emosi Terhadap Komentar Video Youtube ‘ Penyebab Kegagalan Adopsi Sistem Pendidikan Finlandia di Indonesia ’ Menggunakan Metode Random Forest,” pp. 812–827, 2024.

[13] A. Info, “Analisis Sentimen Pada Ulasan Produk Dengan Metode Natural Language Processing ( NLP ) ( Studi Kasus

Zalika Store 88 Shopee ),” vol. 17, no. 1, pp. 120–128, 2024.

[14] R. R. Cahya, A. Ichwani, U. Esa, and U. Jakarta, “KOMPARASI KINERJA MODEL SUPPORT VECTOR MACHINE DAN INDONESIAN BIDIRECTIONAL ENCODER REPRESENTATIONS FROM TRANSFORMERS DALAM KLASIFIKASI SENTIMEN,” vol. 4307, no. April, pp. 1965–1972, 2026.

[15] A. Ernawati, Khairul, Z. Sitorus, M. Iqbal, and D. Nasution, “Penerapan Data Mining Untuk Klasifikasi Penduduk Miskin Di Kabupaten Labuhanbatu Menggunakan Random Forest Dan K-Nearest Neighbors,” Bull. Inf. Technol., vol. 6, no. 2, pp. 71–78, 2025, doi: 10.47065/bit.v5i2.1783.

[16] N. Nurwanda, N. Suarna, and W. Prihartono, “Penerapan Nlp (Natural Language Processing) Dalam Analisis Sentimen Pengguna Telegram Di Playstore,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 2, pp. 1841–1846, 2024, doi: 10.36040/jati.v8i2.8469.

[17] C. A. Fatikasari, A. M. Rahmania, L. Laili, R. A. Mega Saputri, and M. Arifin, “Analisis Segmentasi dan Prediksi Pola Pembelian IC Label Gamis Menggunakan Hybrid K-Means Random Forest,” J. Komput. Teknol. Inf. Sist. Komput., vol. 5, no. 1, pp. 355–364, 2026, doi: 10.62712/juktisi.v5i1.1007.

[18] Wahyu Sejati, Ankur Singh Bist, and Amirsyah Tambunan, “Pengembangan Analisis Sentimen dalam Rekayasa Software Engineering menggunakan tinjauan literatur sistematis,” J. MENTARI Manajemen, Pendidik. dan Teknol. Inf., vol. 2, no. 1, pp. 95–103, 2023, doi: 10.33050/mentari.v2i1.377.

[19] K. S. Nugroho, A. Y. Sukmadewa, F. A. Bachtiar, and N. Yudistira, “BERT Fine-Tuning for Sentiment Analysis on Indonesian Mobile Apps Reviews,” pp. 1–10, 2020.

[20] K. Latifah, A. Handayanto, and N. L. D. M. S, “Comparative Evaluation of Automatic Labeling and Modeling Strategies for Indonesian Sentiment Analysis : Methodology and Performance Evaluation,” vol. 8, no. 3, pp. 1–16, 2026.

[21] Y. Fauziah, B. Yuwono, and A. S. Aribowo, “Lexicon Based Sentiment Analysis in Indonesia Languages : A Systematic Literature Review,” vol. 1, no. 1, pp. 364–367, 2021, doi: 10.31098/cset.v1i1.397.

[22] A. M. V. D. V. Id and E. Bleich, “The advantages of Lexicon-Based sentiment analysis in an age of machine learning,”

pp. 1–19, 2025, doi: 10.1371/journal.pone.0313092.

[23] L. Barbaglia, S. Consoli, S. Manzan, L. Tiozzo, and E. Tosetti, “Sentiment analysis of economic text: A lexicon-based approach,” no. October 2024, pp. 125–143, 2025, doi: 10.1111/ecin.13264.

[24] Z. Sitorus, M. Saputra, S. N. Sofyan, and Susilawati, “Sentiment Analysis of Indonesian Community Towards Electric Motorcycles on Twitter Using Orange Data Mining,” INFOTECH J., vol. 10, no. 1, pp. 108–113, 2024, doi: 10.31949/infotech.v10i1.9374.

[25] D. F. Sjoraida, B. W. K. Guna, and D. Yudhakusuma, “Analisis Sentimen Film Dirty Vote Menggunakan BERT ( Bidirectional Encoder Representations from Transformers ),” vol. 8, no. 2, 2024.