Analisis Sentimen Pengguna Aplikasi Investasi Saham Ajaib, IPOT, dan Stockbit Menggunakan Machine Learning

Abstract

Kajian ini dirancang untuk memetakan dan membandingkan opini pengguna pada tiga platform investasi saham berbasis mobile di Indonesia, yakni Ajaib, IPOT (Indo Premier Online Technology), dan Stockbit, sekaligus mengukur efektivitas sejumlah algoritma machine learning dalam mengotomasi proses klasifikasi sentimen. Rancangan penelitian yang digunakan bersifat kuantitatif komparatif. Sebanyak 15.000 ulasan dikumpulkan secara proporsional—5.000 ulasan per platform—melalui teknik web scraping pada Google Play Store dengan pendekatan purposive sampling. Data mentah kemudian diolah melalui serangkaian tahap pra-pengolahan meliputi normalisasi teks, penghapusan noise, penanganan nilai kosong, serta pembobotan fitur berbasis TF-IDF Vectorizer. Sentimen ulasan ditetapkan sebagai variabel respons, sedangkan jenis algoritma klasifikasi berperan sebagai variabel prediktor. Empat algoritma diuji secara komparatif, yaitu Logistic Regression, Naive Bayes, Support Vector Machine (SGD), dan Random Forest. Logistic Regression mencatat kinerja tertinggi dengan akurasi 87,30%, mengungguli Naive Bayes (86,77%), SVM-SGD (86,23%), dan Random Forest (85,67%). Pendekatan N-gram turut mengungkap keluhan dominan yang khas pada tiap platform: hambatan verifikasi identitas dan perubahan antarmuka di Ajaib, gangguan konektivitas di IPOT, serta kendala sinkronisasi akun sekuritas di Stockbit. Secara keseluruhan, temuan ini menegaskan potensi machine learning sebagai fondasi sistem pemantauan sentimen pengguna yang otomatis dan berbasis data secara real-time.