Analisis Komparatif Model Machine Learning Berbasis Boosting dalam Analisis Sentimen Ulasan Pengguna Neobank di Google Play Store

Abstract

Perkembangan layanan perbankan digital terutama pada aplikasi neobank di Indonesia mendorong meningkatnya jumlah ulasan pengguna di platform Google Play Store, sehingga dibutuhkan metode yang efektif untuk menganalisis opini tersebut secara otomatis. Ulasan pengguna menjadi sumber penting untuk memahami kepuasan dan keluhan nasabah. Penelitian ini bertujuan untuk membandingkan performa algoritma machine learning berbasis boosting, yaitu XGBoost, LightGBM, dan CatBoost, dalam klasifikasi sentimen ulasan pengguna aplikasi Neobank. Data sebanyak 6.963 ulasan dikumpulkan melalui teknik web scraping pada periode Oktober 2025 hingga Februari 2026. Data tersebut kemudian diproses melalui tahapan text preprocessing yang meliputi case folding, pembersihan karakter, tokenisasi, penghapusan stopword, dan stemming menggunakan Sastrawi. Pelabelan sentimen dilakukan secara otomatis dengan pendekatan berbasis leksikon menggunakan kamus InSet (Indonesia Sentiment Lexicon) ke dalam kelas positif dan negatif. Pembobotan kata menggunakan TF-IDF dengan kombinasi unigram dan bigram. Untuk mengatasi ketidakseimbangan kelas, diterapkan teknik SMOTE hanya pada data latih di setiap fold. Evaluasi model dilakukan menggunakan 5-Fold Cross Validation dengan pembagian data 80:20. Hasil pengujian menunjukkan bahwa XGBoost mencapai performa terbaik dengan akurasi rata-rata sebesar 94,30%, presisi 94,35%, recall 94,51%, dan F1-Score 94,37%, diikuti CatBoost dengan akurasi 91,25% dan LightGBM dengan akurasi 91,16%. Seluruh model ini menunjukkan performa di atas 90%, menandakan efektivitas pendekatan yang digunakan. Keunggulan XGBoost diduga karena kemampuannya menangani data sparse dari TF-IDF serta regularisasi yang baik. Ketiga algoritma terbukti mampu mengklasifikasikan sentimen ulasan pengguna Neobank secara akurat, dengan XGBoost sebagai model yang paling unggul dalam pengujian ini.