Klasifikasi Opini Pengguna Qris Menggunakan Deep Learning Dengan Metode Gated Recurrent Unit (GRU) : Studi Kasus: Ulasan Pengguna QRIS di Media Sosial X
Cut, Naili (2025) Klasifikasi Opini Pengguna Qris Menggunakan Deep Learning Dengan Metode Gated Recurrent Unit (GRU) : Studi Kasus: Ulasan Pengguna QRIS di Media Sosial X. Skripsi thesis, Universitas Tanjungpura.
|
Text (Cover-Bab I)
Cover-Bab1_H1101211001.pdf - Published Version Download (693kB) |
|
|
Text (H1101211001_CUT NAILI)
H1101211001_CUT NAILI.pdf - Accepted Version Restricted to Repository staff only Download (2MB) |
Abstract
Dari popularitas QRIS yang telah menjadi salah satu metode pembayaran non-tunai terbaru, memicu beragam opini publik, seperti kendala transaksi tertunda atau gagal yang tersebar pada X yang merupakan media untuk menyampaikan opini secara publik. Untuk memahami opini tersebut, penelitian ini mengumpulkan data pengguna QRIS (2019–2024) melalui scraping di X dan mengklasifikasikan ke dalam empat kategori yaitu kepuasan (positif), kekecewaan (negatif), pertanyaan, dan saran. Kategori pertanyaan dipilih untuk memahami maksud dan kebutuhan informasi, di mana saran berguna bagi penyedia layanan. Serta penggunaan visualisasi Wordcloud untuk mengidentifikasi dominan kata pada opini. Hasilnya menunjukkan mayoritas opini mencerminkan kepuasan, meskipun terdapat kritik atas kendala teknis dan kebutuhan edukasi yang lebih mendalam. Penelitian ini menerapkan model Deep Learning Gated Recurrent Unit (GRU) untuk klasifikasi opini pengguna QRIS ke dalam empat kategori klasifikasi serta mengevaluasi kinerja model klasifikasi menggunakan GRU pada beberapa kondisi. Percobaan melibatkan dua skenario pembagian data (60% latih, 20% validasi, 20% uji) dan (80% latih, 10% validasi, dan 10% uji) untuk menguji performa model, serta empat kondisi preprocessing (dengan/tanpa stopword removal dan SMOTE) untuk menganalisis dampak pembersihan teks dan penyeimbangan data. Evaluasi dengan confusion matrix menunjukkan model klasifikasi GRU mencapai akurasi 80% pada kondisi optimal pada skenario 80% latih, 10% validasi, dan 10% uji dengan kondisi tanpa SMOTE dan tanpa penghapusan stopword dengan precision 61%, recall 57%, dan f1-score 58%. Temuan ini menunjukkan efektivitas GRU dalam menangkap konteks bahasa pengguna dengan preprocessing minimal serta memberikan karakteristik opini pengguna QRIS untuk membantu penyedia layanan dalam meningkatkan kualitasnya.
| Item Type: | Thesis (Skripsi) | ||||||
|---|---|---|---|---|---|---|---|
| Creators: |
|
||||||
| Subjects: | 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 005 Pemrograman komputer, program dan data | ||||||
| Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Sistem Informasi S1 | ||||||
| Depositing User: | Rudiarti Rudiarti | ||||||
| Date Deposited: | 18 Jun 2026 07:41 | ||||||
| Last Modified: | 18 Jun 2026 07:41 | ||||||
| URI: | https://repository.untan.ac.id/id/eprint/5552 |
Actions (login required)
![]() |
View Item |
