IMPLEMENTASI MODEL BERT DAN RNN-LSTM UNTUK ANALISIS SENTIMEN ULASAN APLIKASI BRI MOBILE

Ningrum, Dea Yuliana Ayu (2025) IMPLEMENTASI MODEL BERT DAN RNN-LSTM UNTUK ANALISIS SENTIMEN ULASAN APLIKASI BRI MOBILE. Undergraduate thesis, Universitas Nusantara PGRI Kediri.

	Text (Full Text) RAMA_57201_2113030050.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (2MB) | Request a copy
	Text (Similarity) RAMA_57201_2113030050_SIMILARITY.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (708kB)
	Text (Cover sd BAB 1 + References) RAMA_57201_2113030050_0723058501_0706098902_01_front_ref.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (590kB)
	Text (BAB 2) RAMA_57201_2113030050_0723058501_0706098902_02.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (131kB) | Request a copy
	Text (BAB 3) RAMA_57201_2113030050_0723058501_0706098902_03.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (59kB) | Request a copy
	Text (BAB 4) RAMA_57201_2113030050_0723058501_0706098902_04.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (703kB) | Request a copy
	Text (BAB 5) RAMA_57201_2113030050_0723058501_0706098902_05.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (12kB) | Request a copy
	Text (References) RAMA_57201_2113030050_0723058501_0706098902_06_ref.pdf - Bibliography Available under License Creative Commons Public Domain Dedication. Download (147kB)
	Text (Lampiran) RAMA_57201_2113030050_0723058501_0706098902_07_lamp.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (1MB) | Request a copy

Abstract

BRImo merupakan aplikasi perbankan digital dari Bank Rakyat Indonesia yang dirancang untuk memudahkan transaksi finansial melalui perangkat mobile. Dengan tingginya jumlah pengguna, penting bagi pihak pengembang memahami opini dan pengalaman pengguna terhadap aplikasi ini. Ulasan pengguna yang tersedia di Google Play Store menjadi sumber data potensial untuk dianalisis melalui teknik analisis sentimen, yang mengelompokkan opini ke dalam tiga kategori: positif, negatif, dan netral. Tantangan utama dalam analisis sentimen ini terletak pada kompleksitas bahasa alami, termasuk ambiguitas makna dan struktur kalimat dalam teks berbahasa Indonesia. Penelitian ini bertujuan untuk mengimplementasikan dan membandingkan dua model deep learning, yaitu BERT (Bidirectional Encoder Representations from Transformers) dan RNN-LSTM (Recurrent Neural Network - Long Short-Term Memory), dalam mengklasifikasikan sentimen pengguna aplikasi BRImo. Data diperoleh melalui web scraping terhadap 10.000 ulasan dari Google Play Store dan diproses melalui tahapan preprocessing seperti pembersihan data, penghapusan simbol, tokenisasi, dan normalisasi. Hasil penelitian menunjukkan bahwa model BERT memberikan performa lebih baik dengan akurasi mencapai 73%, sedangkan RNN-LSTM mencapai 66% setelah pengujian lanjutan. BERT unggul dalam menangkap konteks kalimat secara bidirectional, sementara LSTM efektif dalam memproses data sekuensial namun memiliki keterbatasan dalam menangani ambiguitas bahasa. Evaluasi performa dilakukan menggunakan metrik F1-Score yang menunjukkan keunggulan BERT dalam menangani klasifikasi tiga kelas. Penelitian ini menyimpulkan bahwa model BERT lebih optimal untuk analisis sentimen pada ulasan berbahasa Indonesia, terutama setelah dilakukan fine-tuning dan penghapusan proses tokenisasi ganda yang semula menurunkan akurasi. Hasil penelitian ini diharapkan dapat menjadi acuan dalam memilih model deep learning yang tepat untuk memahami persepsi pengguna secara lebih akurat dan mendukung peningkatan layanan aplikasi BRImo.

Actions (login required)

View Item