PENERAPAN METODE TERM FREQUENCY-INVERSE DOCUMENT FREQUENCY (TF-IDF) DAN K-MEANS CLUSTERING UNTUK PENGELOMPOKAN ULASAN PENGGUNA APLIKASI MOBILE BANKING

Shobar, Afrien Khoirunnisa (2024) PENERAPAN METODE TERM FREQUENCY-INVERSE DOCUMENT FREQUENCY (TF-IDF) DAN K-MEANS CLUSTERING UNTUK PENGELOMPOKAN ULASAN PENGGUNA APLIKASI MOBILE BANKING. Other thesis, UPN "Veteran" Yogyakarta.

	Text SKRIPSI_AFRIEN KHOIRUNNISA SHOBAR_123200093.pdf Restricted to Repository staff only Download (2MB)
	Text COVER.pdf Download (308kB)
	Text ABSTRAK.pdf Download (150kB)
	Text LEMBAR PENGESAHAN PEMBIMBING_AFRIEN KHOIRUNNISA SHOBAR_123200093.pdf Download (115kB)
	Text LEMBAR PENGESAHAN PENGUJI_AFRIEN KHOIRUNNISA SHOBAR_123200093.pdf Download (106kB)
	Text DAFTAR ISI.pdf Download (163kB)
	Text DAFTAR PUSTAKA.pdf Download (100kB)

Abstract

Penggunaan aplikasi mobile banking telah berkembang pesat seiring dengan
meningkatnya kebutuhan masyarakat terhadap layanan perbankan digital yang lebih
fleksibel dan mudah diakses. Aplikasi mobile banking kini menjadi salah satu pilihan utama
bagi pengguna untuk melakukan transaksi keuangan secara online. Namun, dalam
pengembangannya, aplikasi mobile banking sering kali mendapatkan berbagai ulasan dari
pengguna yang mencakup aspek-aspek seperti performa, kemudahan penggunaan, hingga
masalah teknis. Ulasan-ulasan ini sangat berguna bagi pengembang aplikasi untuk
memperbaiki layanan, namun banyaknya ulasan yang masuk menjadi tantangan tersendiri
dalam menganalisis dan menyusun masukan yang relevan. Oleh karena itu, diperlukan
metode yang efektif untuk mengelompokkan ulasan-ulasan tersebut sehingga informasi yang
dihasilkan dapat memberikan wawasan yang lebih terarah.
Penelitian ini bertujuan untuk mengatasi tantangan tersebut dengan menerapkan
metode Term Frequency-Inverse Document Frequency (TF-IDF) dan K-Means Clustering
dalam pengelompokan ulasan pengguna aplikasi mobile banking. Metode TF-IDF digunakan
untuk memberikan bobot pada setiap kata dalam ulasan sehingga kata-kata yang memiliki
relevansi lebih tinggi dapat diidentifikasi. Setelah proses pembobotan dengan TF-IDF,
dilakukan pengelompokan ulasan menggunakan algoritma K-Means Clustering yang
merupakan metode unsupervised learning untuk mengidentifikasi pola atau kelompok dari
data ulasan tersebut. Dalam penelitian ini, ulasan diambil dari aplikasi BCA Mobile melalui
teknik web scraping dari Google Play Store, dengan jumlah data sebesar 1.000 ulasan.
Hasil pengujian menunjukkan bahwa pengelompokan menggunakan TF-IDF dan K�Means Clustering menghasilkan dua klaster dengan silhouette score sebesar 0,503663. Nilai
ini mengindikasikan struktur cluster yang cukup baik, sesuai dengan interpretasi nilai
silhouette. Setiap kluster yang terbentuk dapat merepresentasikan topik ulasan yang berbeda,
yaitu: (1) Bug & Error, yang mencakup ulasan mengenai masalah teknis seperti kesulitan
login dan tampilan error; (2) Pengalaman Pengguna, yang mencakup feedback tentang
kemudahan penggunaan, navigasi, dan desain aplikasi; serta (3) Fitur Aplikasi, yang
meliputi ulasan terkait fitur seperti transfer dana, cek saldo, dan fitur e-wallet. Dengan
adanya hasil pengelompokan ini, pengembang aplikasi dapat memperoleh informasi yang
lebih mendalam mengenai fitur yang perlu diperbaiki atau dikembangkan lebih lanjut dalam
aplikasi mobile banking. Hasil penelitian ini diharapkan dapat menjadi acuan bagi
pengembang aplikasi mobile banking dalam menganalisis ulasan pengguna secara lebih
efisien dan efektif.
Kata kunci: Klaterisasi, Perbankan Digital, K-Means Clustering, TF-IDF, Silhouette
Score, Latent Dirichlet Allocation

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Klaterisasi, Perbankan Digital, K-Means Clustering, TF-IDF, Silhouette Score, Latent Dirichlet Allocation
Subjects:	T Technology > T Technology (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	A.Md.SI Indah Lestari Wulan Aji
Date Deposited:	07 Nov 2024 02:04
Last Modified:	07 Nov 2024 02:04
URI:	http://eprints.upnyk.ac.id/id/eprint/41575

Actions (login required)

View Item