Klasifikasi Multi-Label Dan Ekstraksi Entitas Pada Ulasan Aplikasi Blu by BCA Digital Menggunakan IndoBERT

Bhagas Satrya Dewa; Eka Dyar Wahyuni; Nur Cahyo Wibowo

doi:10.70340/jirsi.v5i2.402

Penulis

Bhagas Satrya Dewa Universitas Pembangunan Nasional “Veteran” Jawa Timur
Eka Dyar Wahyuni Universitas Pembangunan Nasional “Veteran” Jawa Timur
Nur Cahyo Wibowo Universitas Pembangunan Nasional “Veteran” Jawa Timur

DOI:

https://doi.org/10.70340/jirsi.v5i2.402

Kata Kunci:

IndoBERT, multi-label, NER, ECM, digital banking

Abstrak

Pertumbuhan layanan perbankan digital di Indonesia mendorong kebutuhan untuk memahami faktor-faktor yang memengaruhi keberlanjutan penggunaan aplikasi oleh pengguna. Namun, penelitian sebelumnya masih terbatas pada pendekatan klasifikasi single-label dan analisis sentimen umum, sehingga belum mampu menangkap kompleksitas informasi dalam ulasan pengguna berbahasa Indonesia secara terstruktur. Penelitian ini bertujuan melakukan klasifikasi multi-label berdasarkan empat faktor Expectation-Confirmation Model (ECM), yaitu Confirmation, Perceived Usefulness, E-satisfaction, dan Perceived Security, serta ekstraksi enam entitas Named Entity Recognition (NER) pada ulasan aplikasi Blu by BCA Digital menggunakan IndoBERT. Dataset diperoleh dari Google Play Store dan Apple App Store periode Januari–Desember 2025, menghasilkan 3.389 ulasan berbahasa Indonesia setelah proses filtering. Penelitian menerapkan pendekatan single-task dengan oversampling dan Focal Loss untuk klasifikasi multi-label, serta token augmentation dan Conditional Random Field (CRF) untuk NER. Validasi anotasi dilakukan menggunakan Krippendorff's Alpha yang menghasilkan nilai rata-rata 0,856 untuk label intent dan 0,919 untuk entitas NER. Hasil pengujian menunjukkan model klasifikasi terbaik mencapai F1-Score sebesar 0,798 dan Hamming Loss sebesar 0,131, sedangkan model NER terbaik mencapai F1-Score sebesar 0,812. Penelitian ini menunjukkan bahwa IndoBERT efektif digunakan untuk menganalisis ulasan pengguna aplikasi perbankan digital dalam mengidentifikasi faktor ECM dan mengekstraksi entitas domain secara bersamaan, sehingga berpotensi mendukung pengembang dalam memahami kebutuhan pengguna secara otomatis.

Unduhan

Data unduhan belum tersedia.

Referensi

M. Puspadini, “Transaksi Bank Digital Tumbuh 40,1%, Didominasi Gen Z & Milenial,” CNBC Indonesia, Mar. 14, 2025. [Online]. Available: https://www.cnbcindonesia.com/market/20250314201903-17-618812/transaksi-bank-digital-tumbuh-401-didominasi-gen-z-milenial. [Accessed: May 19, 2026].

Populix, “Studi Analisis Ekosistem dan Persepsi terhadap Bank Digital di Indonesia,” 2024. [Online]. Available: https://info.populix.co/data-hub/reports/digitalbanking2024. [Accessed: May 19, 2026].

A. Bhattacherjee, “Understanding Information Systems Continuance: An Expectation-Confirmation Model,” MIS Quarterly, vol. 25, no. 3, pp. 351–370, 2001.

M. Khoirul Umam and D. Puspawati, “Continuance Use Intention in the use of E-wallets by using the Expectation Confirmation Model through E-Satisfaction,” Dinasti Int. J. Econ. Financ. Account., vol. 5, no. 5, pp. 4815–4827, 2024, doi: 10.38035/dijefa.v5i5.3523.

F. K. Ihtada, R. Alfianita, and O. Q. Aziz, “Aspect-based Multilabel Classification of E-commerce Reviews Using Fine-tuned IndoBERT,” Kinet. Game Technol. Inf. Syst. Comput. Network, Comput. Electron. Control, vol. 10, no. 1, 2025, doi: 10.22219/kinetik.v10i1.2088.

N. K. Nissa and E. Yulianti, “Multi-label text classification of Indonesian customer reviews using bidirectional encoder representations from transformers language model,” International Journal of Electrical and Computer Engineering, vol. 13, no. 5, pp. 5641–5652, 2023, doi: 10.11591/ijece.v13i5.pp5641-5652.

R. Massenon et al., “Mobile app review analysis for crowdsourcing of software requirements : a mapping study of automated and semi-automated tools,” pp. 1–60, 2024, doi: 10.7717/peerj-cs.2401.

K. Kurniawan and S. Louvan, “Empirical Evaluation of Character-Based Model on Neural Named-Entity Recognition in Indonesian Conversational Texts,” in Proceedings of the 2018 International Conference on Asian Language Processing (IALP), 2018, pp. 1–6, doi: 10.1109/IALP.2018.8629151.

A. G. Rais Kumar, Y. Sukmono, and A. E. Burhandenny, “Comparison Of Support Vector Machine And Indobert In Non-Functional Requirement Classification Of Application User Reviews”, J. Tek. Inform. (JUTIF), vol. 5, no. 4, pp. 1035–1042, Jul. 2024.

M. T. Manurung, I Gusti Ngurah Lanang Wijayakusuma, and I Putu Winada Gautama, “Named Entity Recognition for Medical Records of Heart Failure Using a Pre-trained BERT Model,” J. Appl. Informatics Comput., vol. 9, no. 2, pp. 341–348, 2025, doi: 10.30871/jaic.v9i2.9170.

K. H. Krippendorff, Content Analysis: An Introduction to Its Methodology, 3rd Editio. Thousand Oaks, California: SAGE Publications, 2018.

A. Wibowo, Perbankan Digital. Semarang, Indonesia: Yayasan Prima Agus Teknik, 2022.

F. Sulianta, Basic Data Mining from A to Z. Feri Sulianta, 2023. [Online]. Available: https://books.google.co.id/books?id=JcLhEAAAQBAJ.

Z. A. Annisa, R. S. Perdana, and P. P. Adikara, “Kombinasi Intent Classification dan Named Entity Recognition pada Data Berbahasa Indonesia dengan Metode Dual Intent and Entity Transformer,” J. Teknol. Inf. dan Ilmu Komput., vol. 11, no. 5, pp. 1017–1024, 2024, doi: 10.25126/jtiik.2024117985.