IMPLEMENTASI ENSEMBLE LEARNING UNTUK ANALISIS SENTIMEN PADA APLIKASI REKU

Ratih Aisyah; Reisa Permatasari; Dhian Satria Kartika Yudha

doi:10.24252/instek.v10i2.57448

Authors

Ratih Aisyah UPN Veteran Jawa Timur
Reisa Permatasari UPN Veteran Jawa Timur
Dhian Satria Kartika Yudha UPN Veteran Jawa Timur

DOI:

https://doi.org/10.24252/instek.v10i2.57448

Keywords:

Analisis Sentimen, Convolutional Neural Network, Ensemble Learning, IndoBERT, Reku, Support Vector Machine

Abstract

Analisis sentimen pada ulasan aplikasi keuangan menghadapi tantangan utama berupa kompleksitas bahasa pengguna, seperti penggunaan istilah teknis, gaya bahasa informal, serta keberagaman konteks yang sering kali sulit ditangkap oleh model klasifikasi konvensional. Untuk menjawab tantangan tersebut, penelitian ini bertujuan secara eksplisit untuk membandingkan performa model tunggal Convolutional Neural Network (CNN), Support Vector Machine (SVM) berbasis Word2Vec, dan model transformer IndoBERT dengan metode ensemble learning guna meningkatkan akurasi analisis sentimen pada aplikasi Reku. Popularitas cryptocurrency di Indonesia yang terus meningkat menjadikan analisis sentimen sebagai alat penting untuk memahami opini dan tingkat kepuasan pengguna terhadap platform seperti Reku. Dalam penelitian ini, pendekatan ensemble learning diterapkan dengan mengombinasikan ketiga model tersebut menggunakan metode soft voting dan weighted soft voting. Evaluasi performa dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score untuk menilai efektivitas penggabungan model dibandingkan model tunggal. Hasil eksperimen menunjukkan bahwa metode ensemble, khususnya weighted soft voting, menghasilkan performa terbaik dengan akurasi mencapai 90,2%, melampaui seluruh model tunggal. Sebagai bentuk implementasi, model terbaik dibangun ke dalam aplikasi berbasis web menggunakan Streamlit sebagai alat bantu untuk menganalisis opini pengguna terhadap aplikasi Reku secara praktis dan interaktif.

Downloads

Download data is not yet available.

References

[1] A. Takwim et al., "Inovasi Produk dan Layanan Keuangan Syariah," J. Ekon. dan Bisnis: Pusat Riset dan Publikasi Fakultas Ekon. dan Manajemen Universitas Samawa, vol. 12, no. 2, pp. 205–213, 2024, doi: 10.58406/jeb.v12i2.1735

[2] A. S. Ningsih et al., "Upaya Peningkatan Pengetahuan Investasi Pada Platform Media Investasi Digital Bagi Santri Pondok Pesantren Asshodiqiyah Kota Semarang," Abdi Wiralodra: J. Pengabdian Kepada Masyarakat, vol. 5, no. 2, pp. 220–232, 2023, doi: 10.31943/abdi.v5i2.107

[3] M. N. Hasani, M. Ramadhan, K. Mariyani, R. Setiawan, I. Sucidha, and Sardjono, "Analisis Cryptocurrency Sebagai Alat Alternatif Dalam Berinvestasi Di Indonesia Pada Mata Uang Digital Bitcoin," Ilmiah Ekonomi Bisnis, vol. 8, no. 2, pp. 209–220, 2022. doi: 10.35972/jieb.v8i2.762

[4] R. C. Setiawan, S. Idayanti, and M. Wildan, “Perkembangan Komoditi Digital dalam Asset Kripto di Indonesia”, PLJ, vol. 1, no. 2, pp. 369–384, Nov. 2023, doi: 10.24905/plj.v1i2.32

[5] M. G. Senali et al., “Determinants of trust and purchase intention in social commerce: Perceived price fairness and trust disposition as moderators,” Electron. Commer. Res. Appl., vol. 64, p. 101370, 2024, doi: 10.1016/j.elerap.2024.101370.

[6] I. Juventius, T. Gurning, P. P. Adikara, and R. S. Perdana, "Analisis Sentimen Dokumen Twitter menggunakan Metode Naïve Bayes dengan Seleksi Fitur GU Metric," J. Pengembangan Teknol. Inf. dan Ilmu Komput., vol. 7, no. 5, pp. 2169–2177, 2023. [Online]. Available: https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/12665

[7] A. Muzakir, K. Adi, and R. Kusumaningrum, Penerapan Konsep Machine Learning dan Deep Learning (Pendekatan Ekspansi Semantik untuk Klasifikasi Ujaran Kebencian). Semarang, Indonesia: UNDIP Press, 2024, ISBN: 978-623-417-282-9.

[8] M. A. Rayadin et al., "Implementasi Ensemble Learning Metode XGBoost dan Random Forest untuk Prediksi Waktu Penggantian Baterai Aki," BIOS: J. Teknol. Inf. dan Rekayasa Komput., vol. 5, no. 2, pp. 111–119, 2024, doi: 10.37148/bios.v5i2.128

[9] N. Agustina and C. N. Ihsan, "Pendekatan Ensemble untuk Analisis Sentimen Covid19 Menggunakan Pengklasifikasi Soft Voting," J. Teknologi Informasi dan Ilmu Komputer., vol. 10, no. 2, p. 263, 2023, doi: 10.25126/jtiik.20231026215

[10] M. Irfani and S. Khomsah, "Analisis sentimen berbasis aspek pada EDOM pembelajaran menggunakan metode CNN dan Word2vec," J. Sistem dan Teknologi Informasi (JustIN), vol. 12, pp. 413–420, Jul. 2024, doi: 10.26418/justin.v12i3.75610

[11] D. Sumartini and L. Wisudawati, "Analisis sentimen pada ulasan aplikasi Tokocrypto dengan menggunakan metode Support Vector Machine (SVM) pada Google Play," *Jurnal Ilmiah Informatika Komputer*, vol. 29, pp. 283–297, Dec. 2024, doi: 10.35760/ik.2024.v29i3.12915

[12] M. F. Cahyadi and T. H. Rochadiani, "Implementasi Ensemble Deep Learning Untuk Analisis Sentimen Terhadap Genre Game Mobile," J. Media Inform. Budidarma, vol. 8, no. 3, p. 1512, 2024, doi: 10.30865/mib.v8i3.7832

[13] K. Aang, “Klasifikasi berita hoaks bahasa Indonesia menggunakan Indobert Fine-Tuning dengan pendekatan Focal Loss pada data tidak seimbang,” Universitas Islam Negeri Maulana Malik Ibrahim, 2025. [Online]. Available: http://etheses.uinmalang.ac.id/id/eprint/76060

[14] M. R. Iffa, “Peningkatan kinerja Support Vector Machine menggunakan model bahasa BERT untuk klasifikasi sentimen dengan dataset terbatas,” ZONAsi: Jurnal Sistem Informasi, vol. 7, no. 2, pp. 422–432, 2025.

[15] F. K. Ihtada, “Studi perbandingan metode ekstraksi fitur untuk topic modeling berbasis aspek dan sentimen analisis pada ulasan produk E-Commerce,” Universitas Islam Negeri Maulana Malik Ibrahim, 2025. [Online]. Available: http://etheses.uin-malang.ac.id/id/eprint/77387

[16] I. Fajri et al., Data Mining. Serasi Media Teknologi, 2024. [Online]. Available: https://books.google.co.id/books?id=YykdEQAAQBAJ

[17] D. S. Asudani, N. K. Nagwani, and P. Singh, “Impact of word embedding models on text analytics in deep learning environment: a review,” Artificial Intelligence Review, pp. 1–81, 2023. doi: 10.1007/s10462-023-10419-1.

[18] A. Arifiyanti and E. Wahyuni, “SMOTE: Metode penyeimbang kelas pada klasifikasi data mining,” SCAN - Jurnal Teknologi Informasi dan Komunikasi, vol. 15, 2020, doi: 10.33005/scan.v15i1.1850