KLASIFIKASI KELUHAN SPESIFIK PENGGUNA MOBILE BANKING BCA MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE (SVM) DAN RANDOM FOREST (RF)

Syarifudin, Ahmad (2026) KLASIFIKASI KELUHAN SPESIFIK PENGGUNA MOBILE BANKING BCA MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE (SVM) DAN RANDOM FOREST (RF). Diploma thesis, Universitas Nasional.

	Text COVER.pdf Download (933kB)
	Text BAB 1.pdf Download (441kB)
	Text BAB 2.pdf Download (605kB)
	Text BAB 3.pdf Download (971kB)
	Text BAB 4.pdf Download (1MB)
	Text BAB 5.pdf Download (381kB)
	Text LAMPIRAN.pdf Download (704kB)

Abstract

Transformasi digital dalam industri perbankan telah meningkatkan intensitas penggunaan aplikasi seluler oleh nasabah, termasuk pada layanan BCA Mobile. Peningkatan aktivitas pengguna tersebut diikuti oleh bertambahnya jumlah ulasan dan keluhan yang dipublikasikan melalui platform seperti Google Play Store. Ulasan pengguna mengandung informasi strategis yang dapat dimanfaatkan sebagai dasar evaluasi serta perbaikan kualitas layanan. Penelitian ini bertujuan untuk mengelompokkan keluhan spesifik pengguna aplikasi BCA Mobile ke dalam sejumlah kategori tematik dengan pendekatan machine learning. Data yang dianalisis berjumlah 3.534 ulasan yang telah melalui tahap praproses, meliputi pembersihan data, pelabelan, dan pembobotan fitur menggunakan metode Term Frequency-Inverse Document Frequency (TF-IDF). Dua algoritma klasifikasi yang diuji dalam penelitian ini adalah Support Vector Machine (SVM) dan Random Forest (RF). Kinerja model dievaluasi menggunakan metrik akurasi, precision, recall, F1-score, serta confusion matrix untuk mengidentifikasi distribusi kesalahan prediksi. Hasil pengujian menunjukkan bahwa SVM memiliki performa yang lebih unggul dibandingkan Random Forest dengan tingkat akurasi sebesar 79,35% dan weighted average F1-score sebesar 0,79. Sementara itu, Random Forest memperoleh akurasi 75,11% dan weighted average F1-score 0,76. Berdasarkan hasil tersebut, SVM ditetapkan sebagai model terbaik dan diimplementasikan dalam bentuk prototipe dashboard berbasis Streamlit. Sistem ini mampu menyajikan distribusi keluhan, evaluasi performa model, analisis tren waktu, serta klasifikasi otomatis untuk keluhan baru yang dilengkapi rekomendasi tindak lanjut. Temuan ini menunjukkan bahwa algoritma klasik seperti SVM tetap efektif untuk klasifikasi teks berbahasa Indonesia dalam konteks pengelolaan keluhan perbankan digital.

Item Type:	Thesis (Diploma)
Subjects:	T Technology > T Technology (General) T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Skripsi > Fakultas Teknologi Komunikasi dan Informatika > Program Studi Sistem Informasi
Depositing User:	Delvy Aplirizani -
Date Deposited:	02 Jun 2026 08:50
Last Modified:	02 Jun 2026 08:50
URI:	https://repository.unas.ac.id/id/eprint/16371

Actions (login required)

View Item