Analysis of user satisfaction with the seabank app using support vector machines (SVM)
DOI:
https://doi.org/10.35335/mandiri.v15i1.531Kata Kunci:
Sentiment Analysis, SMOTE, Support Vector Machine, Text Mining, TF-IDFAbstrak
The development of financial technology (fintech) in Indonesia has driven the rapid growth of digital banks, one of which is SeaBank. User satisfaction with the SeaBank app is a crucial indicator for maintaining customer loyalty amid intense competition. This study aims to analyze user satisfaction with the SeaBank app based on reviews on the Google Play Store using the Support Vector Machine (SVM) method. Review data was classified into positive sentiment (satisfied) and negative sentiment (dissatisfied). The research stages included data collection, rating-based labeling, text preprocessing (including normalization of banking colloquial language), feature extraction using TF-IDF, handling imbalanced data with SMOTE, and classification using an RBF Kernel SVM. The results show that the application of SMOTE successfully addressed class imbalance, and SVM hyperparameter optimization yielded an accuracy of 89.14% with an F1-Score of 88.75%. The analysis findings indicate that the majority of users are satisfied with the convenience of free transactions, but there are significant complaints regarding OTP delays and errors in the login system.
Referensi
Ardiansyah, D., Aryanti, R., & Fitriani, E. (2025). Analisis Sentimen Pengguna GoPay pada Layanan Keuangan Digital dengan Perbandingan Naïve Bayes dan SVM. Profitabilitas, 5(2), 83–89.
Ariansyah, A., & Kusmira, M. (2021). ANALISIS SENTIMEN PENGARUH PEMBELAJARAN DARING TERHADAP MOTIVASI BELAJAR DI MASA PANDEMI MENGGUNAKAN NAIVE BAYES DAN SVM. Faktor Exacta, 14(3), 100. https://doi.org/10.30998/faktorexacta.v14i3.10325
Cahya, L. D., Luthfiarta, A., Krisna, J. I. T., Winarno, S., & Nugraha, A. (2023). Improving multi-label classification performance on imbalanced datasets through smote technique and data augmentation using indobert model. Jurnal Nasional Teknologi Dan Sistem Informasi, 9(3), 290–298.
Dhea Khoirunisa, Nia Desy Arifiani, Muhammad Rizqi Maulana, & Endang Kartini Panggiarti. (2023). Analisis Peran Otoritas Jasa Keuangan (Ojk) dalam Mengawasi Pelayanan Pada Perusahaan Financial Technology (Fintech) di Indonesia. Inisiatif: Jurnal Ekonomi, Akuntansi Dan Manajemen, 2(3), 127–132. https://doi.org/10.30640/inisiatif.v2i3.1108
Hamzah, M. (2026). Penerapan Natural Language Processing (NLP) dalam analisis sentimen pada media sosial. JICR: Journal Of Informatics and Computer Research, 1(1).
Harjanta, A. T., Herlambang, B. A., & Fahmi, S. (2024). Analisis Sentimen Review Pelanggan Lazada dengan Sastrawi Stemmer dan SVM-PSO untuk Memahami Respon Pengguna. J-INTECH, 12(02), 330–339.
Hermawan, M. A., Faqih, A., & Dwilestari, G. (2025). Implementasi Akurasi Model Naive Bayes Menggunakan Smote Dalam Analisis Sentimen Pengguna Aplikasi Brimo. Jurnal Informatika Dan Teknik Elektro Terapan, 13(1).
Irawanto, I. (2026). Penerapan Natural Language Processing (NLP) dalam Analisis Sentimen pada Media Sosial. Journal of Informatics and Computer Research (JICR), xx, No. xx. https://doi.org/10.1007/s41060-018-0111-1
Islamey, R., Winiarti, S., & Riadi, I. (2026). Analisis Komparatif Random Forest dan Support Vector Machine untuk Klasifikasi Tingkat Keparahan Serangan Siber. Euler: Jurnal Ilmiah Matematika, Sains Dan Teknologi, 14(1), 1–14.
Lowell, A., Lowell, A., Candra, K., Indra, E., & Informasi, S. (2025). JURNAL MEDIA INFORMATIKA [JUMIN] Perbandingan Metode Support Vector Machine (SVM) Dan Naive Bayes Pada Analisis Sentimen Ulasan Aplikasi OVO.
Mahendra, M. H., Murdiansyah, D. T., & Lhaksmana, K. M. (2023). Analisis Sentimen Tweet COVID-19 menggunakan K-Nearest Neighbors dengan TF-IDF dan Ekstraksi Fitur CountVectorizer. Dike, 1(2), 37–43.
Maisat Eka Darmawan, Z., & Fauzan Dianta, A. (2023). Implementasi Optimasi Hyperparameter GridSearchCV Pada Sistem Prediksi Serangan Jantung Menggunakan SVM. Teknologi, 13(1), 8–15. https://doi.org/10.26594/teknologi.v13i1.3098
Mardiyanto, R. O., Kusrini, K., & Wibowo, F. W. (2023). Analisis Sentimen Pengguna Aplikasi Bank Syariah Indonesia dengan menggunakan Algoritma Support Vector Machine (SVM). TEKNIMEDIA: Teknologi Informasi Dan Multimedia, 4(1), 9–15.
Pardede, J., & Darmawan, D. (2025). Perbandingan Algoritma Stemming Porter, Sastrawi, Idris, Dan Arifin & Setiono Pada Dokumen Teks Bahasa Indonesia. Jurnal Teknologi Informasi Dan Ilmu Komputer, 12(1), 69–76.
Pratama, M. R., Ramadha, Y. R., & Komara, M. A. (2023). Analisis sentimen BRImo dan BCA mobile menggunakan support vector machine dan lexicon based. Jutisi: Jurnal Ilmiah Teknik Informatika Dan Sistem Informasi, 12(3), 1439–1450.
Pratiwi, F. S., Agung Barata, M., & Ardianti, A. D. (2025). IMPLEMENTASI METODE SMOTE DAN RANDOM OVER-SAMPLING PADA ALGORITMA MACHINE LEARNING UNTUK PREDIKSI CUSTOMER CHURN DI SEKTOR PERBANKAN. Jurnal Sistem Informasi Dan Informatika (Simika), 8(1). https://www.kaggle.com/datasets/gauravtopre/bank-customer-churn-dataset/data
Priatna, W. (2024). Dampak Pengambilan Sampel Data untuk Optimalisasi Data tidak seimbang pada Klasifikasi Penipuan Transaksi E-Commerce. The Indonesian Journal of Computer Science, 13(2).
Setiawan, A., & Hasan, F. N. (2025). Analisis Sentimen Tanggapan Pengguna Aplikasi Bale by BTN Menggunakan Metode Support Vector Machine (SVM). STORAGE: Jurnal Ilmiah Teknik Dan Ilmu Komputer, 4(4), 315–326.
Setyawan, M. F. (2024). Implementasi Support Vector Machine (SVM) pada Klasifikasi Jenis Tanah Memanfaatkan Fitur RGB. SISFOTENIKA, 14(2), 175–184.
Shevira, S., Made, I., Suarjaya, A. D., & Wira Buana, P. (2022). Pengaruh Kombinasi dan Urutan Pre-Processing pada Tweets Bahasa Indonesia. In JITTER-Jurnal Ilmiah Teknologi dan Komputer (Vol. 3, Number 2).
Tania Puspa Rahayu Sanjaya, Ahmad Fauzi, & Anis Fitri Nur Masruriyah. (2023). Analisis sentimen ulasan pada e-commerce shopee menggunakan algoritma naive bayes dan support vector machine. INFOTECH: Jurnal Informatika & Teknologi, 4(1), 16–26. https://doi.org/10.37373/infotech.v4i1.422
Wainer, J., & Fonseca, P. (2021). How to tune the RBF SVM hyperparameters? An empirical evaluation of 18 search algorithms. Artificial Intelligence Review, 54(6), 4771–4797.
Widodo, A., Agus Herlambang, B., & Renaldy, R. (2025). Optimizing Support Vector Machine (SVM) for Sentiment Analysis of Blu by BCA Reviews with Chi-Square. In Journal of Applied Informatics and Computing (JAIC) (Vol. 9, Number 5). http://jurnal.polibatam.ac.id/index.php/JAIC
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2026 Eko Yulianto, Nanang Nuryadi, Taufik Asra
Artikel ini berlisensi Creative Commons Attribution-NonCommercial 4.0 International License.
