Analisis Perbadingan Kualitas Layanan Digital pada Bank Kovensional dan Bank Digital di Indonesia

Andi Ruslan; Valentino Aris; Muhammad Taufik; Farida Islamiah; Andi Balqis Mutiara Asizah

doi:10.31004/riggs.v4i4.3188

Authors

Andi Ruslan Universitas Negeri Makassar
Valentino Aris Universitas Negeri Makassar
Muhammad Taufik Universitas Negeri Makassar
Farida Islamiah Universitas Negeri Makassar
Andi Balqis Mutiara Asizah Universitas Negeri Makassar

DOI:

https://doi.org/10.31004/riggs.v4i4.3188

Keywords:

Social Media Analysis, Kualitas Layanan Digital, Bank Konvensional, Bank Digital, Sentimen Pengguna

Abstract

Penelitian ini membandingkan kualitas layanan digital bank konvensional dan bank digital di Indonesia menggunakan social media analysis terhadap 36.000 ulasan Google Play dari Bank Jago, SeaBank, Wonder by BNI, dan MyBCA. Data diproses melalui pembersihan, tokenisasi, dan stemming; pelabelan sentimen berbasis leksikon, lalu diklasifikasikan dengan tiga algoritma (SVM, Naïve Bayes, dan Random Forest) serta dievaluasi menggunakan confusion matrix. Hasilnya, bank digital memperoleh sentimen positif lebih tinggi sebesar 10.618 dibanding bank konvensional sebesar 7.079, sementara keluhan utama di kedua kategori berkisar pada login/registrasi, pembaruan aplikasi, dan kerumitan proses transaksi. SVM menunjukkan kinerja terbaik dengan akurasi ~88% (bank konvensional) dan ~89% (bank digital), diikuti Random Forest dan Naïve Bayes. Temuan ini menegaskan bahwa kualitas layanan digital bank digital relatif lebih unggul, khususnya pada kemudahan penggunaan aplikasi dan ketersediaan fitur transaksi. Namun, terdapat ruang perbaikan yang sama-sama mendesak pada pengalaman awal dan stabilitas fitur inti. Implikasi praktisnya, perbankan perlu memprioritaskan penyederhanaan halaman login dan alur registrasi, serta melakukan pembaruan berkala yang diselaraskan dengan kebutuhan dan umpan balik pengguna untuk meningkatkan kepuasan dan keandalan layanan.

Downloads

Download data is not yet available.

References

Boser, B. E., Guyon, I. M., & Vapnik, V. N. (1992). Training algorithm for optimal margin classifiers. Proceedings of the Fifth Annual ACM Workshop on Computational Learning Theory, 144–152. https://doi.org/10.1145/130385.130401

Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/A:1010933404324

Burges, C. J. C. (1998). A Tutorial on Support Vector Machines for Pattern Recognition. Data Mining and Knowledge Discovery, 2(2), 121–167. https://doi.org/10.1023/A:1009715923555

Cortes, C., & Vapnik, V. (1995). Natural vibration response based damage detection for an operating wind turbine via Random Coefficient Linear Parameter Varying AR modelling. Machine Learning, 628(1), 273–297. https://doi.org/10.1088/1742-6596/628/1/012073

Cutler, A., Cutler, D. R., & Stevens, J. R. (2012). Random Forests. In C. Zhang & Y. Ma (Eds.), Ensemble Machine Learning: Methods and Applications (pp. 157–175). Springer New York. https://doi.org/10.1007/978-1-4419-9326-7_5

Domingos, P., & Pazzani, M. (1997). On the Optimality of the Simple Bayesian Classifier under Zero-One Loss. Machine Learning, 29(2), 103–130. https://doi.org/10.1023/A:1007413511361

Finder.com. (n.d.). Data Jumlah Pemilik Akun atau Rekening Bank Digital di Indonesia. 2021.

Haryanto, D., Maruapey, H., & Sudarsa, A. S. (2021). Implementasi Kebijakan Intensif Roleplay Customer Service dan Pengaruhnya terhadap Kualitas Pelayanan Nasabah di Kantor PT. Bank Tabungan Negara (Persero) Tbk. Cabang Bogor. Jurnal Ilmiah Akuntansi Dan Keuangan, 4(4), 1312–1321.

Irina Rish. (2001). An empirical study of the naive Bayes classifier. IJCAI 2001 Workshop on Empirical Methods in Artificial Intelligence, 3(22).

Khan, G. F. (2015). Seven Layers of Social Media Analytics: Mining Business Insight from Social Media Text, Actions, Networks, Hyperlinks, Apps, Search Engine, and Location Data. In CreateSpace Independent Publishing Platform (Vol. 1). http://7layersanalytics.com/

Krotov, V., Johnson, L., & Silva, L. (2020). Tutorial: Legality and ethics of web scraping. Communications of the Association for Information Systems, 47(1), 539–563. https://doi.org/10.17705/1CAIS.04724

Manning, C. D., Raghavan, P., & Schutze, H. (2009). Introduction to Modern Information Retrieval (2nd edition). In Cambridge University Press. https://doi.org/10.1108/00242530410565256

McKinsey. (2021). The Future of Financial Service.

Olston, C., & Najork, M. (2010). Web Crawling. Foundations and Trends in Information Retrieval, 4(3), 175–246. https://doi.org/10.1561/1500000017

Otoritas Jasa Keuangan Republik Indonesia. (2021). Kebijakan Dalam Menjaga Kinerja Dan Stabilitas Pasar Modal Akibat Penyebaran Corona Virus Disease 2019.

Setiawan, I. (2020). Analisis Peran Perbankan terhadap Pertumbuhan Ekonomi di Indonesia: Bank Syariah Versus Bank Konvensional. JURNAL AKUNTANSI, EKONOMI Dan MANAJEMEN BISNIS, 8(1), 52–60. https://doi.org/10.30871/jaemb.v8i1.1649

Yuliatin, Y. (2012). Perbankan dalam Dimensi Konvensional dan Syariah. NALAR FIQH: Jurnal Hukum Islam, 5(2). https://doi.org/10.30631/nf.v5i2.1239