Analisa Kinerja Algoritma Supervised Learning pada Sentimen Ulasan Aplikasi Investasi Online Bibit

Muhamad Arief Yulianto; Romi  Andrianto

doi:10.31004/riggs.v4i3.2168

Authors

Muhamad Arief Yulianto Universitas Pamulang
Romi Andrianto Universitas Pamulang

DOI:

https://doi.org/10.31004/riggs.v4i3.2168

Keywords:

Akurasi, Analisa Sentimen, Supervised Learning, Bibit

Abstract

Penelitian ini bertujuan untuk melakukan analisa kinerja algoritma supervised learning dalam melakukan sentimen terhadap ulasan pengguna pada aplikasi investasi online Bibit di google playstore. Berdasarkan hasil survei yang telah dilakukan oleh DailySocial yang tertera pada databoks menunjukkan bahwa aplikasi investasi online Bibit menduduki peringkat pertama sebagai aplikasi terpopuler di kalangan masyarakat Indonesia. Data ulasan pengguna sebanyak 40141 ulasan, diperoleh dengan menggunakan pendekatan teknik web scraping menggunakan bahasa pemrograman python. Adapun langkah – langkah yang dilakukan dalam penelitian ini dimulai dari proses pengumpulan data, pelabelan data, pemrosesan awal data atau preprocessing data, ekstraksi fitur, splitting data dan diakhir dengan pemodelan menggunakan algoritma supervised learning. Model yang digunakan pada algoritma supervised learning pada penelitian ini yaitu naïve bayes, random forest, logistic regression dan decision tree. Dari keempat model tersebut dilakukan pengujian untuk dapat memperoleh nilai tingkat akurasi setiap model dalam melakukan analisa sentimen terhadap data tersebut. Berdasarkan hasil pengujian tersebut menunjukkan bahwa model logistic regression menduduki peringkat pertama yang memiliki tingkat akurasi sebesar 86,6%, disusul oleh model lainnya

Downloads

Download data is not yet available.

References

KSEI, “Siaran Pers Antusiasme Antusiasme Investor Muda Berinvestasi Terus Meningkat,” Kasei.Co.Id, pp. 1–6, 2023, [Online]. Available: https://www.ksei.co.id/files/uploads/press_releases/press_file/id-id/232_berita_pers_antusiasme_investor_muda_berinvestasi_terus_meningkat_20231031134735.pdf.

T. G. Y. S. Muhammad Fikri and G. A. Cakti, “Potret Investasi di Pasar Modal 2025,” DataIndonesia.id, vol. 1, no. 1, Jakarta, pp. 1–37, 2025.

D. Argapryla, “Pengaruh Literasi Keuangan, Overconfidence Dan Persepsi Risiko Terhadap Minat Berinvestasi Reksadana Mahasiswa …,” vol. 5, no. 3, pp. 494–512, 2022.

A. Erfina, E. S. Basryah, A. Saepulrohman, and D. Lestari, “Analisis Sentimen Aplikasi Pembelajaran Online Di Play Store Pada Masa Pandemi Covid-19 Menggunakan Algoritma Support Vector Machine (Svm),” Semin. Nas. Inform., vol. 1, no. 1, pp. 145–152, 2020, [Online]. Available: http://jurnal.upnyk.ac.id/index.php/semnasif/article/view/4094.

Norwahidah Mohamad Yazid, “ANALISIS SENTIMEN APLIKASI INVESTASi,” J. Electr. Syst., vol. 20, no. 4s, pp. 582–589, 2024, doi: 10.52783/jes.2074.

L. O. Lukmana, “Analisis Sentimen Terhadap Ulasan Pengguna Aplikasi Threads Instagram Di Playstore Menggunakan Algoritma Naive Bayes,” J. Inform. dan Tek. Elektro Terap., vol. 13, no. 2, 2025, doi: 10.23960/jitet.v13i2.6250.

F. F. Mailoa, “Analisis sentimen data twitter menggunakan metode text mining tentang masalah obesitas di indonesia,” J. Inf. Syst. Public Heal., vol. 6, no. 1, p. 44, 2021, doi: 10.22146/jisph.44455.

I. S. K. Idris, Y. A. Mustofa, and I. A. Salihi, “Analisis Sentimen Terhadap Penggunaan Aplikasi Shopee Mengunakan Algoritma Support Vector Machine (SVM),” Jambura J. Electr. Electron. Eng., vol. 5, no. 1, pp. 32–35, 2023, doi: 10.37905/jjeee.v5i1.16830.

C. Puspitasari, “Sekilas tentang Data Science, Data Mining, dan Machine Learning,” Binus university, 2022. https://binus.ac.id/malang/2022/05/sekilas-tentang-data-science-data-mining-dan-machine-learning/ (accessed Jul. 08, 2025).

R. S. Nurhalizah, R. Ardianto, and P. Purwono, “Analisis Supervised dan Unsupervised Learning pada Machine Learning: Systematic Literature Review,” J. Ilmu Komput. dan Inform., vol. 4, no. 1, pp. 61–72, 2024, doi: 10.54082/jiki.168.

H. Abijono, P. Santoso, and N. L. Anggreini, “Algoritma Supervised Learning Dan Unsupervised Learning Dalam Pengolahan Data,” J. Teknol. Terap. G-Tech, vol. 4, no. 2, pp. 315–318, 2021, doi: 10.33379/gtech.v4i2.635.

M. Karimah, A. Hindasyah, and T. Taryo, “Analisa Kinerja Algoritma Random Forest Classifier dengan Mutual Information dan Skip-Gram pada Klasifikasi Jurnal INIS,” J I M P - J. Inform. Merdeka Pasuruan, vol. 7, no. 3, p. 101, 2023, doi: 10.51213/jimp.v7i3.638.

Sulistiowati, V. Nurcahyawati, Muhammad Alfa Fawwaz, Erwin Sutomo, and Tutut Wurijanto, “Deteksi sentimen ulasan pengguna e-learning menggunakan algoritma naive bayes (Studi Kasus: RuangGuru, Pahamify, Merdeka Mengajar),” INFOTECH J. Inform. Teknol., vol. 5, no. 2, pp. 239–248, 2024, doi: 10.37373/infotech.v5i2.1399.

Tania Puspa Rahayu Sanjaya, Ahmad Fauzi, and Anis Fitri Nur Masruriyah, “Analisis sentimen ulasan pada e-commerce shopee menggunakan algoritma naive bayes dan support vector machine,” INFOTECH J. Inform. Teknol., vol. 4, no. 1, pp. 16–26, 2023, doi: 10.37373/infotech.v4i1.422.

Luthfi Krisna Bayu and T. Wurijanto, “Analisis sentimen mobil listrik menggunakan metode Naïve Bayes Classifier,” INFOTECH J. Inform. Teknol., vol. 5, no. 2, pp. 328–335, 2024, doi: 10.37373/infotech.v5i2.1465.

Christophorus, B. Saputra, and D. P. Koesrindartoto, “Pemanfaatan Analisis Sentimen dalam Prediksi Harga Saham: Studi pada Investor Retail Indonesia,” vol. 21, no. 1, pp. 1–17, 2024, [Online]. Available: http://ejournal.atmajaya.ac.id/index.php/JM.

A. P. Soedarbe, M. R. Ma’arif, A. W. Murdiyanto, and M. A. A. Al Badawi, “Analisis Sentimen Pergerakan Harga Saham Sebuah Perusahaan di Media Sosial Twitter,” Teknomatika J. Inform. dan Komput., vol. 14, no. 2, pp. 64–68, 2021, doi: 10.30989/teknomatika.v14i2.1129.

N. Meilani, Mhd. Furqan, and Suhardi, “Analisis sentimen pengguna aplikasi BSI mobile akibat ransomware menggunakan algoritma support vector machine,” INFOTECH J. Inform. Teknol., vol. 5, no. 1, pp. 42–51, 2024, doi: 10.37373/infotech.v5i1.1102.

F. E. Kavabilla, T. Widiharih, and B. Warsito, “Analisis Sentimen Pada Ulasan Aplikasi Investasi Online Ajaib Pada Google Play Menggunakan Metode Support Vector Machine Dan Maximum Entropy,” J. Gaussian, vol. 11, no. 4, pp. 542–553, 2023, doi: 10.14710/j.gauss.11.4.542-553.

S. Lestari and S. Saepudin, “Support Vector Machine: Analisis Sentimen Aplikasi Saham di Google Play Store,” JUSIFO (Jurnal Sist. Informasi), vol. 7, no. 2, pp. 81–90, 2021, doi: 10.19109/jusifo.v7i2.9825.

F. Koto and G. Y. Rahmaningtyas, “Inset lexicon: Evaluation of a word list for Indonesian sentiment analysis in microblogs,” Proc. 2017 Int. Conf. Asian Lang. Process. IALP 2017, vol. 2018-January, no. December, pp. 391–394, 2017, doi: 10.1109/IALP.2017.8300625.

W. O. Simanjuntak, A. Bijaksana, P. Negara, and R. Septriana, “Perbandingan Algoritma Logistic Regression dan Random Foret (Studi Kasus : Klasifikasi Emosi Tweet) Comparison Of Logistic Regression And Random Forest Algorithms (Case Study: Tweet Emotion Classification),” J. Apl. dan Ris. Inform., vol. 02, no. 1, pp. 160–164, 2023, doi: 10.26418/juara.v2i1.69682.

D. H. Depari, Y. Widiastiwi, and M. M. Santoni, “Perbandingan Model Decision Tree, Naive Bayes dan Random Forest untuk Prediksi Klasifikasi Penyakit Jantung,” Inform. J. Ilmu Komput., vol. 18, no. 3, p. 239, 2022, doi: 10.52958/iftk.v18i3.4694.

A. Danny et al., “Perbandingan Algoritma Supervised Learning Terhadap Klasifikasi Citra Bunga Untuk Mengukur Akurasi Masing-Masing Algoritma,” Semin. Nas. Inform. Bela Negara, vol. 3, pp. 2747–0563, 2023.