Analisis Sentimen Ulasan Aplikasi MyBCA Menggunakan KNN dengan Ekstraksi Fitur Hibrida FastText dan TF-IDF

Abstract

Perkembangan layanan mobile banking meningkatkan jumlah ulasan pengguna pada platform digital seperti Google Play Store. Ulasan tersebut dapat dimanfaatkan untuk mengevaluasi kualitas layanan melalui analisis sentimen. Namun, karakteristik ulasan yang bersifat informal menjadi tantangan dalam proses klasifikasi teks. Penelitian ini membandingkan representasi fitur FastText dan Hybrid FastText–TF-IDF serta metode klasifikasi K-Nearest Neighbor (KNN) dan Fuzzy K-Nearest Neighbor (FKNN) pada analisis sentimen ulasan aplikasi myBCA. Dataset yang digunakan terdiri dari 9.445 ulasan pengguna yang diperoleh dari Google Play Store. Evaluasi model dilakukan menggunakan 5-fold cross-validation. Tahap praproses meliputi case folding, noise removal, normalisasi kata tidak baku, tokenisasi, dan stopword removal. Representasi hybrid dibentuk melalui feature concatenation antara embedding FastText dan pembobotan TF-IDF, sedangkan seleksi fitur Chi-Square digunakan untuk mengurangi fitur yang kurang relevan. Hasil penelitian menunjukkan bahwa pendekatan Hybrid FastText–TF-IDF secara konsisten meningkatkan performa dibandingkan FastText tunggal, dengan peningkatan akurasi sekitar 0,3% pada seluruh skenario. Selain itu, KNN sedikit lebih unggul dibandingkan FKNN dengan selisih akurasi kurang dari 0,03%, yang menunjukkan bahwa pendekatan fuzzy memberikan kontribusi terbatas pada data dengan kelas yang relatif terpisah. Performa terbaik diperoleh pada kombinasi Hybrid FastText–TF-IDF dengan KNN, dengan akurasi 93,56% menggunakan jarak Cosine dan K=17. Temuan ini menunjukkan bahwa kualitas representasi fitur lebih berpengaruh dibandingkan kompleksitas algoritma klasifikasi dalam analisis sentimen ulasan mobile banking.