Analisis Sentimen dan Topic Modeling pada Ulasan Aplikasi Investasi Bibit Menggunakan IndoBERT, XLNet, BERTopic, dan Top2Vec

Abstract

Di Indonesia, kemajuan dalam teknologi finansial mendorong minat masyarakat, khususnya generasi muda, terhadap investasi digital. Salah satu aplikasi investasi yang populer adalah Bibit, yang menyediakan layanan investasi reksa dana secara digital. Seiring meningkatnya jumlah pengguna, ulasan pada Google Play Store menunjukkan berbagai pengalaman, persepsi, serta keluhan pengguna terhadap aplikasi tersebut. Penelitian ini bertujuan untuk menganalisis sentimen pengguna, membandingkan performa model IndoBERT dan XLNet dalam klasifikasi sentimen, serta mengidentifikasi topik utama yang dibahas pada ulasan aplikasi Bibit. Data penelitian diperoleh melalui proses scraping ulasan pengguna aplikasi Bibit di Google Play Store dengan total data awal sebanyak 10.143 ulasan. Setelah dilakukan preprocessing yang meliputi case folding, cleaning data, normalisasi, stopword removal, dan penghapusan spam, diperoleh 9.318 data ulasan yang siap dianalisis. Metode BERTopic dan Top2Vec digunakan untuk pemodelan topik, sedangkan model berbasis transformer yaitu IndoBERT dan XLNet digunakan untuk klasifikasi sentimen. Evaluasi model dilakukan menggunakan confusion matrix dengan metrik accuracy, precision, recall, dan F1-score, sedangkan kualitas topik dievaluasi menggunakan coherence score. Hasil penelitian menunjukkan bahwa BERTopic menghasilkan kualitas topik yang lebih baik dengan rata-rata coherence sebesar 0,7449 dibandingkan Top2Vec sebesar 0,3149. Selain itu, model IndoBERT memperoleh performa klasifikasi terbaik dengan akurasi sebesar 92%, precision 92%, recall 91%, dan F1-score 91%, lebih tinggi dibandingkan XLNet dengan akurasi sebesar 82%. Hasil penelitian menunjukkan bahwa BERTopic dan IndoBERT lebih optimal dalam pemodelan topik dan klasifikasi sentimen ulasan aplikasi Bibit.