Analisis Sentimen Ulasan Pengguna Aplikasi Kredivo menggunakan Algoritma Naive Bayes dan Logistic Regression
DOI:
https://doi.org/10.59563/djtech.v7i1.386Keywords:
Analisis Sentimen, Kredivo, Naive Bayes, Logistic Regression, FintechAbstract
Perkembangan pesat industri Financial Technology (Fintech) Buy Now Pay Later (BNPL) di Indonesia mendorong tingginya akumulasi ulasan pengguna pada aplikasi Kredivo di Google Play Store. Ulasan tersebut memuat data opini yang sangat berharga terkait tingkat kepuasan, keandalan sistem, maupun keluhan layanan, namun volumenya yang besar menyulitkan evaluasi secara manual. Penelitian ini bertujuan untuk mengidentifikasi sentimen publik serta membandingkan performa algoritma Multinomial Naive Bayes dan Logistic Regression dalam mengklasifikasikan sentimen ulasan pengguna Kredivo. Dataset sebanyak 17.212 ulasan terfilter periode Januari 2021 hingga Januari 2026 diproses melalui tahapan preprocessing (cleansing, case folding, tokenizing, normalisasi kata Indo-Normalizer, stopword removal, dan stemming sastrawi) hingga menghasilkan 10.798 data ulasan bersih. Pelabelan otomatis berbasis rating dengan verifikasi manual pada rating 3 menghasilkan distribusi sentimen yang tidak seimbang, yaitu 80,55% positif dan 19,45% negatif. Pembobotan kata menggunakan Term Frequency-Inverse Document Frequency (TF-IDF) menghasilkan 4.558 fitur kata. Untuk mengatasi ketidakseimbangan kelas tanpa memicu data leakage, teknik Synthetic Minority Oversampling Technique (SMOTE) diterapkan secara terisolasi pada data latih di setiap fold menggunakan 5-Fold Cross Validation. Hasil eksperimen menunjukkan Logistic Regression unggul secara konsisten dibanding Naive Bayes dengan menggapai rata-rata akurasi sebesar 90,14%; precision 91,43%; recall 90,14%; dan F1-score 90,52% pada 5-Fold Cross Validation. Pada pengujian akhir menggunakan 20% data uji murni (2.160 ulasan), Logistic Regression kembali membuktikan daya generalisasi terbaik tanpa overfitting dengan akurasi 90,42% dan F1-score 90,74%. Analisis Word Cloud mengungkapkan bahwa kepuasan pengguna didominasi oleh efisiensi pencairan dana dan kemudahan aplikasi, sedangkan keluhan terfokus pada penolakan limit transaksi mendadak serta mekanisme penagihan.
References
OJK, “Direktori Layanan Pendanaan Bersama Berbasis Teknologi Informasi,” Otoritas Jasa Keuangan. [Daring]. Tersedia pada: https://ojk.go.id/id/kanal/iknb/data-dan-statistik/direktori/fintech/Pages/Direktori-LPBBTI-28-Februari-2026.aspx
APJII, “Survei Internet APJII 2026 - Jumlah Pengguna Internet di Indonesia,” Asosiasi Penyelenggara Jasa Internet Indonesia. [Daring]. Tersedia pada: https://survei.apjii.or.id
Kredivo, “Kredivo - Paylater & Pinjaman,” PT Kredivo Finance Indonesia. [Daring]. Tersedia pada: https://play.google.com/store/apps/details?id=com.finaccel.android&pcampaignid=web_share
A. Suwendi, N. Indriani, N. S. Sahira, and M. L. Wardiyah, “Pengaruh Ulasan dan Rating Produk terhadap Minat Beli Berdasarkan Kelompok Usia pada Platform E-commerce,” Moneter: Jurnal Ekonomi dan Keuangan, vol. 3, no. 3, pp. 144–153, 2025, https://doi.org/10.61132/moneter.v3i3.1498
L. O. Lukmana, D. R. L., and P. Elisya, “Analisis sentimen terhadap ulasan pengguna aplikasi Threads Instagram di PlayStore menggunakan algoritma Naive Bayes,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 13, no. 2, pp. 496–504, 2025, https://doi.org/10.23960/jitet.v13i2.6250
N. Nurwanda, N. Suarna, and W. Prihartono, “Penerapan NLP (Natural Language Processing) dalam analisis sentimen pengguna Telegram di PlayStore,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 8, no. 2, pp. 1841–1846, 2024, https://doi.org/10.36040/jati.v8i2.8469.
M. Afdal and L. R. Elita, “Penerapan text mining pada aplikasi Tokopedia menggunakan algoritma K-nearest neighbor,” Jurnal Ilmiah Rekayasa dan Manajemen Sistem Informasi, vol. 8, no. 1, pp. 78–87, 2022, https://doi.org/10.24014/rmsi.v8i1.16595.
A. Aryanusa, R. M. Akbar, dan Y. N. S, “Evaluasi Kinerja Logistic Regression Dan Multinomial Naïve Bayes Dalam Klasifikasi Sentimen Mobile Banking,” J. Inform. dan Tek. Elektro Terap., vol. 13, no. 3S1, hal. 463–474, 2025, [Daring]. Tersedia pada: https://journal.eng.unila.ac.id/index.php/jitet/article/view/7687
I. Dikusuma and Y. Widjaja, “Perbandingan Naïve Bayes dan Logistic Regression untuk analisis sentimen ulasan produk skincare di Tokopedia,” Jurnal Informatika dan Teknologi Komputer, vol. 5, no. 3, pp. 242–251, 2025, https://doi.org/10.55606/jitek.v5i3.8420.
A. Bachtiar, M. J. Hawali, N. C. Simbolon, D. A. Maulana, and R. A. Anggraini, “Analisis sentimen ulasan Free Fire menggunakan Naive Bayes Logistic Regression,” Journal of Information System and Management, vol. 7, no. 2, 2026, https://doi.org/10.24076/joism.2026v7i2.2433.
R. R. Salam, M. F. Jamil, Y. Ibrahim, Rahmaddeni, Soni, and Herianto, “Analisis sentimen terhadap Bantuan Langsung Tunai (BLT) Bahan Bakar Minyak (BBM) menggunakan Support Vector Machine,” Indonesian Journal of Machine Learning and Computer Science, vol. 3, no. 1, pp. 27–35, 2023.
D. M. Dyasputro, “Rule-based text normalization library for Bahasa Indonesia,” in Proc. Int. Conf. Inf. Technol. Digit. Appl., pp. 1–8, 2025, https://doi.org/10.1109/ICITDA68167.2025.11332325.
J. Pardede and D. Darmawan, “Perbandingan algoritma stemming Porter, Sastrawi, Idris, dan Arifin Setiono pada dokumen teks Indonesia,” J. Teknol. Inf. dan Ilmu Komput., vol. 12, no. 1, pp. 69–76, 2025, https://doi.org/10.25126/jtiik.2025128860.
P. S. Silitonga, A. R. Tatipang, E. Salsabilla, and A. P. Sari, “Analisis sentimen ulasan pengguna aplikasi Tiket.com dengan K-Nearest Neighbor,” JITET (Jurnal Informatika dan Teknik Elektro Terapan), vol. 13, no. 3, pp. 818–827, 2025, https://doi.org/10.23960/jitet.v13i3.7012.
HSari, G. L. Ginting, T. Zebua, and Mesran, “Penerapan algoritma text mining dan TF-IDF untuk pengelompokan topik skripsi pada aplikasi repository STMIK Budi Darma,” TIN: Terapan Informatika Nusantara, vol. 2, no. 7, pp. 414–432, 2021. [Online]. Available: https://ejurnal.seminar-id.com/index.php/tin
A. Pranata, Rudirman, dan N. Azmi Verdikha, “Jurnal Informatika Terpadu Twitter Menggunakan Metode TF-IDF dan Naive Bayes,” J. Inform. terpadu, vol. 10, no. 2, hal. 93–100, 2024.
Wijiyanto, A. I. Pradana, Sopingi, and V. Atina, “Teknik K-Fold Cross Validation untuk mengevaluasi kinerja mahasiswa,” J. Algoritm., vol. 21, no. 1, pp. 239–248, 2024, https://doi.org/10.33364/algoritma/v.21-1.1618
A. F. Anjani, D. Anggraeni, and I. M. Tirta, “Implementasi Random Forest menggunakan SMOTE untuk analisis sentimen ulasan aplikasi Sister for Students UNEJ,” J. Nas. Teknol. dan Sist. Inf., vol. 9, no. 2, pp. 163–172, 2023, https://doi.org/10.25077/teknosi.v9i2.2023.163-172
A. Pebdika, R. Herdiana, and D. Solihudin, “Klasifikasi menggunakan metode Naive Bayes untuk menentukan calon penerima PIP,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 7, no. 1, pp. 452–458, 2023, https://doi.org/10.36040/jati.v7i1.6303.
A. A. Putri, S. Agustian, R. Abdillah, dan Pizaini, “Penerapan Metode Logistic Regression Untuk,” J. Sist. Inf., vol. 7, no. 1, hal. 95–107, 2025.
I. Irmayani and B. Asrun, “Klasifikasi sosial ekonomi menggunakan Naïve Bayes Classifier,” Dewantara Journal of Technology, vol. 2, no. 1, pp. 71–75, Nov. 2021, https://doi.org/10.59563/djtech.v2i1.138.
D. A. Nggego, “Optimalisasi execution time Firefly Algorithm,” Dewantara Journal of Technology, vol. 1, no. 2, pp. 112–117, May 2021, doi: https://doi.org/10.59563/djtech.v1i2.93
