Perbandingan Pelabelan Otomatis Textblob Dan Vader Lexicon Terhadap Sentimen Ulasan Mobile Banking Livin’ By Mandiri

Authors

  • Sulton Bagus Permadi UIN Sunan Ampel Surabaya
  • Mujib Ridwan UIN Sunan Ampel Surabaya
  • Ahmad Yusuf UIN Sunan Ampel Surabaya

DOI:

https://doi.org/10.29080/systemic.v11i1.2173

Keywords:

Analisis Sentimen, Ulasan Google Play Store, TextBlob, Vader Lexicon, Livin by Mandiri

Abstract

Salah satu produk mobile banking Livin’ by Mandiri mengalami kelonjakan jumlah pengguna aktif selama periode 3 tahun terakhir. Ulasan yang diberikan oleh para nasabah atau pengguna Livin’ by Mandiri bisa ditinjau dengan memanfaatkan fitur Google Play Store. Tujuan dilakukannya penelitian ini adalah demi mengetahui sentimen terhadap Livin’ by Mandiri dengan membandingkan pengukuran unsupervised learning yakni TextBlob dan Vader Lexicon. Data yang diperoleh dari proses scrapping google play sebanyak 7.952 ulasan dari tanggal 6 Oktober 2023 sampai 5 Maret 2024. Hasil yang diperoleh setelah dibandingkan dengan rating, akurasi pelabelan TextBlob sebesar 44%, sedangkan pelabelan Vader Lexicon sedikit lebih tinggi sebesar 53%. Terjadinya perbedaan pelabelan sebesar 30%, sedangkan persamaan pelabelan sebesar 70%. Frekuensi kata “tidak” cukup tinggi, tidak hanya ada pada ulasan yang berlabel negatif saja, melainkan berlabel positif dan netral juga.

Downloads

Download data is not yet available.

References

T. Setiawan, “Sosialisasi Pemanfaatan Aplikasi Digital Platform Livin’ byMandiri pada MasyarakatPenerima Bantuan Sosial,” AbdiMU Pengabdi. Kpd. Masy., vol. 3, no. 1, pp. 1–5, 2023, [Online]. Available: https://jurnal.masoemuniversity.ac.id/index.php/abdimu/article/view/722/494.

N. Nurfadila, M. Ariyanti, and N. Trianasari, “Analisis Kualitas Layanan Mobile Banking New Livin’ By Mandiri Menggunakan Sentiment Analysis,” JIBR J. Indones. Bus. Res., vol. 1, no. 1, pp. 77–82, 2023, [Online]. Available: http://doi.org/10.25124/logic.v1i1.6486.

T. S. Az-Zahra, “Analisis sentimen terhadap belajar daring menggunakan optimasi naive bayes classifier dengan adaboost,” 2021, [Online]. Available: digilib.uinsby.ac.id.

F. Fazrin, N. O. Pratiwi, and R. Andreswari, “Perbandingan Algoritma K-Nearest Neighbor dan Logistic Regression pada Analisis Sentimen terhadap Vaksinasi Covid-19 pada Media Sosial Twitter dengan Pelabelan Vader dan Textblob,” J. e-Proceeding Eng., vol. 10, no. 2, pp. 1596–1604, 2023.

Y. Anugrah et al., “Analisis Sentimen Ulasan Aplikasi Transportasi Online Menggunakan Multinomial Naïve Bayes dan Query Expansion Ranking,” J. Elektron. Ilmu Komput. Udayana, vol. 11, no. 1, pp. 121–128, 2022.

M. R. Prasetyo and A. Fahrurozi, “ANALISA SENTIMEN PADA ULASAN GOOGLE UNTUK HOTEL GRAN MAHAKAM JAKARTA MENGGUNAKAN HOTEL GRAN MAHAKAM JAKARTA MENGGUNAKAN,” J. Ilm. Inform. Komput., vol. 28, pp. 203–217, 2023.

Dodi Sukma R.A, R. Hardianto, and Heleni Filtri, “Analisa Tingkat Kepuasan Mahasiswa Terhadap Perkuliahan Daring Pada Era Pandemi COVID-19,” Zo. J. Sist. Inf., vol. 3, no. 2, pp. 130–142, 2021, doi: 10.31849/zn.v3i2.8353.

M. Karim, Analisis Sentimen Pada Twitter Menggunakan Support Vector Machine Dengan Modifikasi Lexicon Inset Dan Sentis- Trength _ Id ( Studi Kasus : Vaksinasi Covid-19 ). 2022.

M. Hanafi, “Analisis Sentimen Destinasi Wisata Kabupaten Gresik Menggunakan Linear Discriminant Analysis (LDA) dan Support Vector Ma.chine (SVM),” 2023, [Online]. Available: digilib.uinsa.ac.id

Downloads

Published

2025-09-03

How to Cite

Permadi, S. B., Ridwan, M., & Yusuf, A. (2025). Perbandingan Pelabelan Otomatis Textblob Dan Vader Lexicon Terhadap Sentimen Ulasan Mobile Banking Livin’ By Mandiri. Systemic: Information System and Informatics Journal, 11(1), 24–33. https://doi.org/10.29080/systemic.v11i1.2173

Issue

Section

Articles

Similar Articles

1 2 3 4 > >> 

You may also start an advanced similarity search for this article.