PERBANDINGAN PERFORMA ALGORITMA KLASIFIKASI MACHINE LEARNING UNTUK ANALISIS SENTIMEN PENGGUNA MOBILE BANKING LIVIN’ BY MANDIRI PADA GOOGLE PLAY STORE
Kata Kunci:
analisis sentimen, machine learning, livin by mandiri, SVM, LGBM, XGBM, CatBoost.Abstrak
Abstrak—Penelitian ini melakukan analisis sentimen pada platform digital Livin’ by Mandiri menggunakan
empat algoritma klasifikasi machine learning untuk menilai opini pengguna terhadap layanan dan fitur yang
ditawarkan. Data diperoleh dari ulasan pengguna di Google Playstore, yang kemudian diproses melalui tahap
pra-pemrosesan teks, termasuk pembersihan data dan normalisasi, sebelum digunakan untuk melatih model
klasifikasi. Hasil evaluasi menunjukkan bahwa XGBM memiliki akurasi tertinggi (0,868), diikuti oleh LGBM
(0,862), yang unggul dalam efisiensi waktu eksekusi (4 detik). SVM dan CatBoost mencatatkan akurasi lebih
rendah (0,856), dengan SVM memiliki waktu eksekusi yang sangat lama (1259 detik). Meskipun LGBM dan
XGBM menunjukkan keunggulan dalam recall (0,856), LGBM lebih efisien dalam hal waktu, sementara
XGBM lebih unggul dalam akurasi. Algoritma LGBM dan XGBM tersebut memberikan performa yang sangat
baik, tergantung pada prioritas aplikasi yang lebih menekankan efisiensi atau akurasi.
