Analisis Tren Topik dalam Ulasan Negatif Aplikasi M-Banking Menggunakan Latent Dirichlet Allocation

Kartikadyota Kusumaningtyas; Irmma Dwijayanti; Alfirna Rizqi Lahitani; Muhammad Habibi

doi:10.37859/jf.v14i3.8035

Kartikadyota Kusumaningtyas Universitas Jenderal Achmad Yani Yogyakarta https://orcid.org/0000-0002-7904-6284
Irmma Dwijayanti Universitas Jenderal Achmad Yani Yogyakarta
Alfirna Rizqi Lahitani Universitas Jenderal Achmad Yani Yogyakarta
Muhammad Habibi Universitas Jenderal Achmad Yani Yogyakarta

https://doi.org/10.37859/jf.v14i3.8035

Keywords: LDA, SVM, pemodelan topik, mobile banking, ulasan negatif

Abstract

Mobile banking atau M-banking menjadi semakin populer seiring dengan meluasnya penggunaan ponsel pintar. Pertumbuhan ini didorong oleh beberapa faktor, seperti kebijakan pemerintah melalui Gerakan Nasional Non-Tunai (GNTT) dan inovasi dari bank. Latar belakang penelitian ini berangkat dari pentingnya merespons keluhan pengguna terhadap aplikasi M-banking. Ulasan negatif mencerminkan masalah yang dialami pengguna dan bisa memengaruhi kepercayaan terhadap layanan. Sayangnya, platform seperti Google Play Store tidak menyediakan fitur untuk mengidentifikasi tren dari ulasan negatif. Oleh karena itu, penelitian ini menggunakan metode Latent Dirichlet Allocation (LDA) untuk memodelkan tren topik dalam ulasan negatif guna memberikan wawasan bagi penyedia layanan untuk meningkatkan kualitas aplikasi mereka. Penelitian ini dilakukan melalui beberapa tahap, dimulai dengan pengumpulan data ulasan negatif dari tiga aplikasi M-banking populer. Selanjutnya data akan melalui tahap preprocessing, meliputi: tokenizing, stopwords removal, dan stemming. Sentimen dari ulasan dianalisis menggunakan algoritma Support Vector Machine (SVM) dengan akurasi mencapai 93%, untuk memisahkan ulasan positif dan negatif. Selanjutnya, LDA digunakan untuk memodelkan topik pada ulasan negatif, dengan mengidentifikasi sejumlah topik optimal melalui Coherence Score, yang menunjukkan struktur topik yang logis dan terorganisir. Hasil penelitian menunjukkan bahwa pada BRImo, topik yang dominan adalah biaya dan kecepatan layanan aplikasi. Pada BCA mobile, pengguna lebih banyak membahas fitur dan kemudahan penggunaan aplikasi, sedangkan pada Livin’ by Mandiri, topik utama yang dibahas berkaitan dengan fitur transfer dan jam transaksi. Kesimpulan dari penelitian ini adalah bahwa metode LDA berhasil digunakan untuk menemukan tren utama dari ulasan negatif pengguna, yang diharapkan dapat membantu bank dalam meningkatkan kualitas layanan dan keamanan aplikasi mobile banking.

Downloads

Download data is not yet available.

References

A. Ahdiat, “Transaksi Digital Banking di IndonesiaTumbuh 158% dalam 5 Tahun Terakhir,” Katadata Media Network. Accessed: Mar. 15, 2024. [Online]. Available: https://databoks.katadata.co.id/datapublish/2023/07/05/transaksi-digital-banking-di-indonesia-tumbuh-158-dalam-5-tahun-terakhir

K. Anam, “Ramai Transaksi Mobile Banking, Bank Mana yang Tumbuh Tinggi?,” CNBC Indonesia. Accessed: Mar. 15, 2024. [Online]. Available: https://www.cnbcindonesia.com/market/20230428090917-17-432962/ramai-transaksi-mobile-banking-bank-mana-yang-tumbuh-tinggi

Perhimpunan Bank Nasional, “Lonjakan Transaksi QRIS di 2024: Pertumbuhan Tahunan dan Dampaknya pada Ekonomi Digital.” Accessed: Oct. 23, 2024. [Online]. Available: https://perbanas.org/publikasi/artikel-perbanas/lonjakan-transaksi-qris-di-2024-pertumbuhan-tahunan-dan-dampaknya-pada-ekonomi-digital

R. N. F. Putri, “Warga Indonesia semakin Gemar Belanja Cashless, BI Catat Transaksi QRIS Tembus Rp 188,36 T pada Kuartal III 2024.” Accessed: Oct. 23, 2024. [Online]. Available: https://www.jawapos.com/finance/015205849/warga-indonesia-semakin-gemar-belanja-cashless-bi-catat-transaksi-qris-tembus-rp-18836-t-pada-kuartal-iii-2024

I. Ulfi, “Tantangan dan Peluang Kebijakan Non-Tunai: Sebuah Studi Literatur,” Jurnal Ilmiah Ekonomi Bisnis, vol. 25, no. 1, pp. 55–65, 2020, doi: 10.35760/eb.2020.v25i1.2379.

Y. B. Adji, W. A. Muhammad, A. N. L. Akrabi, and N. Noerlina, “Perkembangan Inovasi Fintech di Indonesia,” Business Economic, Communication, and Social Sciences Journal (BECOSS), vol. 5, no. 1, pp. 47–58, Jan. 2023, doi: 10.21512/becossjournal.v5i1.8675.

E. B. Yusuf, M. I. Fasa, and Suharto, “Inovasi Layanan Perbankan Syariah Berbasis Teknologi sebagai Wujud Penerapan Green Banking,” Istithmar : Jurnal Studi Ekonomi Syariah, vol. 7, no. 1, pp. 34–41, Jun. 2022, doi: 10.30762/istithmar.v6i1.33.

S. Setiawati, “Cashless Makin Digemari, Ini 5 Digital Banking Pilihan Warga RI.” Accessed: Sep. 23, 2024. [Online]. Available: https://www.cnbcindonesia.com/research/20240610063016-128-545113/cashless-makin-digemari-ini-5-digital-banking-pilihan-warga-ri

A. Nadira, N. Yudi Setiawan, and W. Purnomo, “Analisis Sentimen Pada Ulasan Aplikasi Mobile Banking Menggunakan Metode Naive Bayes dengan Kamus InSet,” INDEXIA : Informatic and Computational Intelligent Journal, vol. 5, no. 1, pp. 35–47, 2023, Accessed: Mar. 15, 2024. [Online]. Available: https://journal.umg.ac.id/index.php/indexia/article/view/5138/3113

X. Li, B. Zhang, Z. Zhang, and K. Stefanidis, “A Sentiment-Statistical Approach for Identifying Problematic Mobile App Updates Based on User Reviews,” Information, vol. 11, no. 3, 2020, doi: 10.3390/info11030152.

O. Oyebode, F. Alqahtani, and R. Orji, “Using Machine Learning and Thematic Analysis Methods to Evaluate Mental Health Apps Based on User Reviews,” IEEE Access, vol. 8, pp. 111141–111158, 2020, doi: 10.1109/ACCESS.2020.3002176.

C. Jacobi, W. Van Atteveldt, and K. Welbers, “Quantitative analysis of large amounts of journalistic texts using topic modelling,” Digital Journalism, vol. 4, no. 1, pp. 89–106, 2016, doi: 10.1080/21670811.2015.1093271.

Direktorat Operasi Keamanan Siber, “LANSKAP KEAMANAN SIBER INDONESIA,” 2023. Accessed: Mar. 17, 2024. [Online]. Available: https://www.bssn.go.id/wp-content/uploads/2024/03/Lanskap-Keamanan-Siber-Indonesia-2023.pdf

B. A. Tondang, Muhammad Rizqan Fadhil, Muhammad Nugraha Perdana, Akhmad Fauzi, and Ugra Syahda Janitra, “Analisis pemodelan topik ulasan aplikasi BNI, BCA, dan BRI menggunakan latent dirichlet allocation,” INFOTECH : Jurnal Informatika & Teknologi, vol. 4, no.1, pp. 114–127, Jun. 2023, doi: 10.37373/infotech.v4i1.601.

M. Habibi, A. Priadana, A. Bayu Saputra, and P. Winar Cahyo, “Topic Modelling of Germas Related Content on Instagram Using Latent Dirichlet Allocation (LDA),” 2021.

H. Kresnawan, S. G. Felle, H. G. Mokay, and N. A. Rakhmawati, “Analyzing Main Topics Regarding The Electronic Information and Transaction Act in Instagram Using Latent Dirichlet Allocation,” Data Science: Journal of Computing and Applied Informatics, vol. 5, no. 2, pp. 71–84, Jul. 2021, doi: 10.32734/jocai.v5.i2-6125.

M. Choirul Rahmadan, A. Nizar Hidayanto, D. Swadani Ekasari, B. Purwandari, and Theresiawati, “Sentiment Analysis and Topic Modelling Using the LDA Method related to the Flood Disaster in Jakarta on Twitter,” in 2020 International Conference on Informatics, Multimedia, Cyber and Information System (ICIMCIS), 2020, pp. 126–130. doi: 10.1109/ICIMCIS51567.2020.9354320.

M. Habibi and K. Kusumaningtyas, “Customer Experience Analysis Skincare Products Through Social Media Data Using Topic Modeling and Sentiment Analysis,” Journal of Science and Applied Engineering, vol. 6, no. 1, p. 1, Jun. 2023, doi: 10.31328/jsae.v6i1.4169.

K. Amaradiena and T. Widarmanti, “LDA-Topic Modeling: Menggunakan Ulasan Pengguna Untuk Meningkatkan User Experience (Studi pada PeduliLindungi),” SEIKO : Journal of Management & Business, vol. 6, no. 1, pp. 943–953, 2023, doi: 10.37531/sejaman.v6i1.3802.

S. Renaldi S, P. Akbar Atnanda, and A. Muhaimin, “Analisis Topic Modelling pada Ulasan Aplikasi Shopee di PlayStore Menggunakan Latent Direchlet Allocation (LDA),” Seminar Nasional Sains Data, 2023.

B. Pang and L. Lee, “Opinion mining and sentiment analysis,” 2008.

J. Ipmawati, S. Saifulloh, and K. Kusnawi, “Analisis Sentimen Tempat Wisata Berdasarkan Ulasan pada Google Maps Menggunakan Algoritma Support Vector Machine,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 4, no. 1, pp. 247–256, Jan. 2024, doi: 10.57152/malcom.v4i1.1066.

J. A. Costales, E. M. Lorico, and C. M. de Los Santos, “A Comparative Sentiment Analysis about HIV and AIDS on Twitter Tweets Using Supervised Machine Learning Approach,” in 2023 5th International Conference on Computer Communication and the Internet (ICCCI), 2023, pp. 27–32. doi: 10.1109/ICCCI59363.2023.10210162.

F. Adi Artanto, “Support Vector Machine Berbasis Particle Swarm Optimization Pada Analisis Sentimen Anggota KPPS,” Jurnal Fasilkom, vol. 14, no. 1, pp. 75–79, Apr. 2024.

Hidayatunnisa, Kusrini, and Kusnawi, “Perbandingan Kinerja Metode Naive Bayes dan Support Vector Machine dalam Analisis Soal,” Jurnal Fasilkom, vol. 13, no. 2, pp. 173–180, Aug. 2023.

D. M. Blei, A. Y. Ng, and M. I. Jordan, “Latent Dirichlet Allocation,” Journal of Machine Learning Research, vol. 3, pp. 993–1022, 2003.