Klasifikasi Sentimen Bank Digital Jenius Pada Twitter(X) Menggunakan Aspek Kategori Augmentasi Data Sintaksis dan BiLSTM

Kusuma, Irnayanti Dwi (2026) Klasifikasi Sentimen Bank Digital Jenius Pada Twitter(X) Menggunakan Aspek Kategori Augmentasi Data Sintaksis dan BiLSTM. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6025232021-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Dalam beberapa tahun terakhir persaingan di industri perbankan yang semakin ketat, masukan dari pengguna terutama yang muncul di media sosial menjadi faktor penting untuk menilai kualitas layanan dan tingkat kepuasan nasabah. Percakapan di media sosial menyimpan banyak informasi berharga, mulai dari hal-hal yang disukai pengguna, masalah yang mereka hadapi, hingga perubahan ekspektasi mereka dari waktu ke waktu. Namun, berbeda dengan data survei yang terstruktur, teks di media sosial cenderung tidak rapi karena dipenuhi bahasa gaul, campuran bahasa, serta tata bahasa yang tidak konsisten. Oleh karena itu, pengolahan data semacam ini tidak cukup hanya dengan menghitung kata positif atau negatif, tetapi membutuhkan teknik pemrosesan bahasa alami yang lebih kuat. Salah satu tantangan utama dalam penelitian saat ini adalah masih terbatasnya pemanfaatan data melalui berbagai teknik augmentasi teks. Meskipun Easy Data Augmentation (EDA) cukup populer digunakan, kinerjanya masih belum optimal ketika diterapkan pada model seperti LSTM dan CNN. Selain itu, metode augmentasi berbasis sintaksis seperti transformasi kalimat pasif belum banyak diintegrasikan ke dalam proses EDA dan kurangnya penggunaan dataset pelatihan bahasa Indonesia. Perkembangan pembelajaran mesin dan model deep learning seperti BiLSTM kini memungkinkan analisis yang tidak hanya berfokus pada sentimen, tetapi juga pada identifikasi aspek. Penelitian ini mengeksplorasi strategi augmentasi teks yang lebih lanjut dengan mengombinasikan transformasi sintaksis dan EDA yang telah disempurnakan yang disebut sebagai metode data sintaksis. Selain mengklasifikasikan kalimat ke dalam sentimen positif, netral, atau negatif, penelitian ini juga mengelompokkan aspek ke dalam kategori fasilitasi, konsultasi, edukasi, atau none. Hasil penelitian menunjukkan bahwa pendekatan augmentasi sintaksis memberikan hasil yang cukup bagus dengan akurasi klasifikasi sentimen mencapai 88% dan akurasi klasifikasi aspek 58%.
====================================================================================================================================
In recent years, as competition in the banking industry has become increasingly intense, user feedback particularly that shared on social media has emerged as an important factor in assessing service quality and customer satisfaction. Social media conversations contain valuable information, ranging from aspects users appreciate and the problems they encounter to shifts in their expectations over time. However, unlike structured survey data, social media text is often unstructured and noisy, characterized by slang, code-switching, and inconsistent grammar. As a result, processing this type of data cannot rely solely on counting positive or negative words, but instead requires more robust natural language processing techniques. One of the main challenges in current research is the limited use of data through diverse text augmentation techniques. Although Easy Data Augmentation (EDA) is widely adopted, its performance remains suboptimal when applied to models such as LSTM and CNN. In addition, syntactic-based augmentation methods, such as passive sentence transformations, have not been widely integrated into the EDA process, along with the limited availability and use of high-quality Indonesian training datasets. Advances in machine learning and deep learning models, such as BiLSTM, now enable analyses that go beyond sentiment classification to include aspect identification. This study explores more advanced text augmentation strategies by combining syntactic transformations with a refined version of EDA, referred to as the syntactic data method. In addition to classifying sentences into positive, neutral, or negative sentiment, this study also categorizes aspects into facilitation, consultation, education, or none. The results indicate that the proposed syntactic augmentation approach yields encouraging outcomes, achieving 88% accuracy in sentiment classification and 58% accuracy in aspect classification.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Augmentasi Data Sintaksis, Aspek Kategori, Bank Digital, BiLSTM, Syntactic Data Augmentation, Aspect Category, Digital Banking, BiLSTM
Subjects:	T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Irnayanti Dwi Kusuma
Date Deposited:	29 Jan 2026 09:10
Last Modified:	29 Jan 2026 09:10
URI:	http://repository.its.ac.id/id/eprint/130944

Actions (login required)

View Item