Analisis sentimen merupakan pendekatan penting untuk memahami opini pengguna terhadap aplikasi digital. Penelitian ini bertujuan mengklasifikasikan sentimen ulasan pengguna terhadap aplikasi Kredivo di Google Play Store dengan menerapkan algoritma Naïve Bayes dan Random Forest. Sebanyak 2.000 ulasan diperoleh melalui proses scraping dan diproses melalui tahapan preprocessing, meliputi cleaning, case folding, labeling, normalisasi, stopword removal, tokenizing, dan stemming. Untuk mengatasi ketidakseimbangan kelas sentimen, digunakan teknik SMOTE (Synthetic Minority Oversampling Technique). Hasil evaluasi menunjukkan bahwa Naïve Bayes menghasilkan akurasi 82% dengan precision tertinggi pada kelas positif (95,40%), sedangkan Random Forest mencapai akurasi 91% dengan precision sempurna pada kelas negatif (100%). Perbandingan ini menunjukkan bahwa Random Forest memiliki performa yang lebih stabil dan unggul dalam menangani variasi sentimen. Penelitian ini membuktikan bahwa kombinasi preprocessing yang tepat dan pemilihan algoritma yang sesuai dapat meningkatkan performa klasifikasi sentimen. Temuan ini berkontribusi dalam pengembangan sistem analitik ulasan pengguna, yang dapat dimanfaatkan oleh pengembang aplikasi dan pelaku industri fintech untuk meningkatkan kualitas layanan berbasis data opini pengguna. Abstract Sentiment analysis plays a crucial role in understanding user opinions toward digital applications. This study aims to classify user reviews of the Kredivo application on the Google Play Store using the Naïve Bayes and Random Forest algorithms. A total of 2,000 reviews were collected through web scraping and processed through several preprocessing stages, including cleaning, case folding, normalization, stopword removal, tokenizing, and stemming. To address class imbalance, the SMOTE (Synthetic Minority Oversampling Technique) method was applied. Evaluation results show that Naïve Bayes achieved an accuracy of 82%, with the highest precision in the positive class (95.40%), while Random Forest outperformed with 91% accuracy and perfect precision in the negative class (100%). These findings indicate that Random Forest is more effective in handling diverse sentiment distributions. This study highlights the importance of proper preprocessing and algorithm selection in improving sentiment classification performance. The findings offer practical contributions for developing user review analytics systems, which can support application developers and fintech industry players in enhancing service quality based on user opinion data.
English
Analisis sentimen merupakan pendekatan penting untuk memahami opini pengguna terhadap aplikasi digital. Penelitian ini bertujuan mengklasifikasikan sentimen ulasan pengguna terhadap aplikasi Kredivo di Google Play Store dengan menerapkan algoritma Naïve Bayes dan Random Forest. Sebanyak 2.000 ulasan diperoleh melalui proses scraping dan diproses melalui tahapan preprocessing, meliputi cleaning, case folding, labeling, normalisasi, stopword removal, tokenizing, dan stemming. Untuk mengatasi ketidakseimbangan kelas sentimen, digunakan teknik SMOTE (Synthetic Minority Oversampling Technique). Hasil evaluasi menunjukkan bahwa Naïve Bayes menghasilkan akurasi 82% dengan precision tertinggi pada kelas positif (95,40%), sedangkan Random Forest mencapai akurasi 91% dengan precision sempurna pada kelas negatif (100%). Perbandingan ini menunjukkan bahwa Random Forest memiliki performa yang lebih stabil dan unggul dalam menangani variasi sentimen. Penelitian ini membuktikan bahwa kombinasi preprocessing yang tepat dan pemilihan algoritma yang sesuai dapat meningkatkan performa klasifikasi sentimen. Temuan ini berkontribusi dalam pengembangan sistem analitik ulasan pengguna, yang dapat dimanfaatkan oleh pengembang aplikasi dan pelaku industri fintech untuk meningkatkan kualitas layanan berbasis data opini pengguna. Abstract Sentiment analysis plays a crucial role in understanding user opinions toward digital applications. This study aims to classify user reviews of the Kredivo application on the Google Play Store using the Naïve Bayes and Random Forest algorithms. A total of 2,000 reviews were collected through web scraping and processed through several preprocessing stages, including cleaning, case folding, normalization, stopword removal, tokenizing, and stemming. To address class imbalance, the SMOTE (Synthetic Minority Oversampling Technique) method was applied. Evaluation results show that Naïve Bayes achieved an accuracy of 82%, with the highest precision in the positive class (95.40%), while Random Forest outperformed with 91% accuracy and perfect precision in the negative class (100%). These findings indicate that Random Forest is more effective in handling diverse sentiment distributions. This study highlights the importance of proper preprocessing and algorithm selection in improving sentiment classification performance. The findings offer practical contributions for developing user review analytics systems, which can support application developers and fintech industry players in enhancing service quality based on user opinion data.
Affiliations come from OpenAlex; journal OAI-PMH metadata carries none. Authors without an OpenAlex ID are matched by name, which can merge or split people.