Analisis Sentimen dan Pemodelan Topik dari Media Sosial Bank Digital di Indonesia Menggunakan Algoritma Naive Bayes dan Latent Dirichlet Allocation

Penggunaan layanan perbankan berbasis internet lebih banyak digunakan dibandingkan yang berada pada kantor fisik ataupun mesin ATM. Jumlah bank digital di Indonesia sendiri sejak lima tahun terakhir selalu bertambah bersama dengan jumlah pengaduan konsumen mengenai perbankan. Media sosial menjadi salah satu platform masyarakat untuk menyampaikan pengaduan dan opininya. Berdasarkan informasi di media sosial, proses text mining seperti analisis sentimen dan pemodelan topik dapat dilakukan untuk membandingkan fitur serta mengetahui opini publik atas bank digital yang bersaing di Indonesia. Tujuan dari dilakukannya penelitian ini adalah untuk mengklasifikasikan sentimen dan memperoleh topik dari data media sosial ketiga bank digital berdasarkan sentimennya. Proses analisis sentimen dilakukan dengan algoritma Naïve Bayes dan Latent Dirichlet Allocation untuk pemodelan topik. Data media sosial yang digunakan berasal dari hasil scraping di Twitter dan Instagram mengenai bank digital Jenius, Jago, dan Line Bank. Dari hasil penelitian ini didapatkan algoritma Naïve Bayes mampu mengklasifikasikan sentimen data media sosial dengan baik, dimana nilai maksimal F1 score yang diperoleh sebesar 0.901. Pemodelan topik menggunakan Latent Dirichlet Allocation memperoleh coherence score tertinggi sebesar 0.476756