Perbandingan Algoritma Logistic Regression, SVM, dan Random Forest pada Analisis Sentimen Aplikasi Gopay

Pertumbuhan pesat layanan keuangan digital di Indonesia mendorong peningkatan penggunaan dompet digital seperti GoPay. Ulasan pengguna pada platform seperti Google Play Store menjadi sumber informasi penting untuk mengevaluasi kepuasan dan pengalaman pengguna. Analisis sentimen berbasis algoritma machine learning memungkinkan pengidentifikasian opini publik secara sistematis dan objektif. Meskipun telah banyak studi yang membandingkan algoritma klasifikasi sentimen, belum ditemukan penelitian yang secara spesifik membandingkan kinerja algoritma Logistic Regression, Support Vector Machine (SVM), dan Random Forest dalam konteks ulasan pengguna GoPay. Penelitian ini bertujuan untuk mengisi kekosongan tersebut dengan melakukan evaluasi komparatif terhadap ketiga algoritma berdasarkan metrik akurasi dan efektivitas klasifikasi sentimen. Penelitian dilakukan dengan pendekatan kuantitatif melalui eksperimen komputasional terhadap 3.000 data ulasan yang diperoleh melalui web scraping. Proses pra-pemrosesan data meliputi tahapan cleaning, casefolding, stemming, normalisasi slangword, tokenizing, filtering, hingga pelabelan. Model dibangun menggunakan pustaka Scikit-learn dan dievaluasi menggunakan metrik accuracy, precision, recall, dan f1-score. Hasil penelitian menunjukkan bahwa Logistic Regression memberikan performa terbaik dengan akurasi 88,16% dan kinerja stabil di seluruh kategori sentimen. SVM mencatat akurasi 87,5% namun lemah dalam mendeteksi sentimen netral. Random Forest menunjukkan kinerja terendah dengan akurasi 79,33% dan hasil klasifikasi yang kurang konsisten. Oleh karena itu, Logistic Regression direkomendasikan sebagai algoritma paling efektif untuk analisis sentimen pengguna GoPay. Penelitian selanjutnya dapat mengeksplorasi pendekatan berbasis deep learning untuk menangani kompleksitas sentimen yang lebih tinggi.