View/Open

Author
Haikal , Dwi Syaputra

Date Published
16 Sep 2026

Advisor
Luluk Muthoharoh, S.Si., M.Si.,
Yustida Bellini, M.Kom,

Subject
Sains Data

Publisher

Penelitian ini menganalisis klasifikasi sentimen dan pemodelan topik ulasan pengguna aplikasi saham berbasis Android. Data ulasan aplikasi Ajaib (2021–2025) awalnya berjumlah 65.478 baris, menghasilkan 45.767 baris data akhir setelah penghapusan duplikat dan baris kosong. Tahap pra-proses mencakup pembersihan teks, penyeragaman huruf, normalisasi kata tidak baku dengan kamus manual (23.780 entri), tokenisasi, dan penghapusan stopword. Klasifikasi sentimen menggunakan Bidirectional Long Short-Term Memory (Bi-LSTM) dengan gabungan fitur Term Frequency-Inverse Document Frequency (TF-IDF) dan Bidirectional Encoder Representations from Transformers (IndoBERT). Membandingkan dua skenario pelabelan, model berbasis rating lebih unggul dengan akurasi 0,9130 dan weighted F1-score 0,9167 (berbanding 0,8198 dan 0,8217 pada lexicon). Oleh karena itu, prediksi berbasis rating digunakan untuk pemodelan topik Latent Dirichlet Allocation (LDA). Evaluasi koherensi LDA menunjukkan kelas positif (2 topik, CV = 0,573963) terkait kemudahan aplikasi, kelengkapan fitur, dan kecepatan transaksi untuk pemula. Kelas netral (2 topik, CV = 0,450185) menyoroti verifikasi transaksi hingga mutasi dana. Kelas negatif (4 topik, CV = 0,545157) didominasi hambatan pendaftaran KTP, galat sistem pemicu kerugian, masalah penarikan dana, dan lambatnya layanan pelanggan. Temuan ini menunjukkan kombinasi fitur kontekstual dan statistik menangkap sentimen secara akurat, sementara model LDA efektif merangkum isu spesifik pengguna.

URI
https://repository.itera.ac.id/depan/submission/SB2609070028

Keyword
Analisis Sentimen Pemodelan Topik Bidirectional Long Short-Term Memory Latent Dirichlet Allocation Aplikasi Saham Berbasis Mobile