PERBANDINGAN KINERJA SVM DAN BERT DALAM ANALISIS SENTIMEN KOMENTAR TIKTOK QRIS DI JEPANG DAN CHINA

Peluncuran Quick Response Code Indonesian Standard (QRIS) yang dijadwalkan pada 17 Agustus 2025 ke Jepang dan China memerlukan evaluasi respons publik untuk mendukung pengembangan kebijakan pembayaran digital lintas negara. Penelitian ini bertujuan menganalisis sentimen masyarakat Indonesia terkait penggunaan QRIS di Jepang dan China melalui komentar TikTok, membandingkan performa model Support Vector Machine (SVM) terhadap pendekatan Bidirectional Encoder Representations from Transformers (BERT), serta memberikan rekomendasi metodologis analisis sentimen fintech Indonesia. Penelitian menggunakan pendekatan kuantitatif dengan 1.429 komentar pengguna TikTok melalui web scraping. Data melalui tahap pembersihan, praproses, pelabelan menggunakan TextBlob, dibagi menggunakan skema 5-fold cross-validation, kemudian diimplementasikan pada model SVM dengan representasi TF-IDF dan teknik SMOTE, serta model BERT dengan augmentasi data dan penerapan class weights. Hasil evaluasi menunjukkan bahwa BERT mencapai akurasi sebesar 84% dengan nilai metrik evaluasi berkisar antara 0,84–0,85, sementara SVM mencapai akurasi sebesar 80% dengan nilai metrik evaluasi yang konsisten pada 0,80. Penelitian mengkonfirmasi pendekatan deep learning berbasis pretrained language model optimal untuk analisis sentimen media sosial fintech. BERT dapat mendukung pengambil kebijakan memantau sentimen publik real-time untuk pengembangan layanan pembayaran digital internasional.