Analisis Sentimen Ulasan Aplikasi M-Pajak pada Google Play Store Menggunakan XGBoost
DOI:
https://doi.org/10.52958/jsia.v3i1.12440Abstract
Pada era digital ini, aplikasi M-Pajak menjadi inovasi pemerintah Indonesia yang bertujuan memudahkan wajib pajak dalam memenuhi kewajiban perpajakan secara online. Meskipun telah diunduh lebih dari satu juta kali, aplikasi ini masih menghadapi berbagai kendala teknis yang tercermin dari rendahnya rating di Google Play Store. Penelitian ini bertujuan untuk mengidentifikasi fitur-fitur yang paling banyak mendapat kritik negatif dari para pengguna. Berdasarkan hasil analisis, fitur yang paling banyak menerima kritik negatif yaitu terkait proses login dan verifikasi efin. Hal ini menunjukkan bahwa kendala teknis dan administratif masih menjadi kendala utama dalam pengalaman pengguna aplikasi. Metode yang digunakan adalah Knowledge Discovery in Database (KDD) dengan algoritma XGBoost sebagai klasifikasi model. Dengan menggunakan Stratified K-Fold untuk membagi data, model memperoleh akurasi sebesar 95%, dan saat diuji menggunakan data baru yang berbeda dari data pelatihan, model menghasilkan akurasi sebesar 93%. Pengembang aplikasi M-Pajak menyarankan melakukan perbaikan pada sistem login, verifikasi, dan pengajuan agar pengalaman pengguna menjadi lebih baik dan kendala teknis dapat diminimalkan.
References
Yusuf Katili, A., Patadjenu, W., Alhadar, S., & Pariono, A. (2024). Implementasi Teknologi E-Filing dalam Peningkatan Kepatuhan bagi Wajib Pajak. Jurnal Administrasi, Manajemen Dan Ilmu Sosial (JAEIS), 3(2), 96–107.
Isma. (2021). DJP Luncurkan Aplikasi M-Pajak dan Buku Reformasi Perpajakan. InfoPublic (Portal Berita Info Public). https://www.infopublik.id/kategori/nasional-ekonomi-bisnis/548990/djp-luncurkan-aplikasi-m-pajak-dan-buku-reformasi-perpajakan.
Ekananda, A. (2024). M-Pajak: Layanan Pajak Mudah dalam Genggaman. Djp. https://www.pajak.go.id/en/node/106796.
DDTC News. (2024). Ada Kendala Proses Login M-Pajak via Aplikasi. https://news.ddtc.co.id/berita/nasional/1804109/ada-kendala-proses-login-m-pajak-via-aplikasi-djp-imbau-pakai-browser.
Febisatria, A., & Adwishanty, P. R. (2025). Analisis Persepsi Konsumen terhadap Penggunaan Aplikasi Livin by Mandiri. Journal Ilmiah Manajemen, Bisnis Dan Kewirausahaan, 5, 243–255. https://doi.org/10.55606/jurimbik.v5i2.1078.
Septiani, A., & Budi, I. (2022). Klasifikasi Ulasan Pengguna Aplikasi: Studi Kasus Aplikasi Ipusnas Perpustakaan Nasional Republik Indonesia (PNRI). JIPI (Jurnal Ilmiah Penelitian Dan Pembelajaran Informatika), 7(4), 1110–1120. https://doi.org/10.29100/jipi.v7i4.3216.
Tanggraeni, A. I., & Sitokdana, M. N. N. (2022). Analisis Sentimen Aplikasi E-Government pada Google Play Menggunakan Algoritma Naïve Bayes. JATISI (Jurnal Teknik Informatika Dan Sistem Informasi), 9(2), 785–795. https://doi.org/10.35957/jatisi.v9i2.1835.
Shenifya, M. (2024). Sentiment Analysis of Social Media Discourse on Public Perception of Online Courier Services in Saudi Arabia using Machine Learning. International Journal of Data and Network Science, 1–10. https://doi.org/10.5267/j.ijdns.2024.8.002.
Dhamayanthi, N., & Lavanya, B. (2024). The Role Of Naïve Bayes, SVM, And Decision Trees In Sentiment Analysis. Educational Administration: Theory and Practice, 30(4), 6377–6381. https://kuey.net/.
Abrari, M. naufal M., & Abdulloh, F. F. (2024). Comparison of Machine Learning Algorithm for Sentiment Analysis of Digital Identity Application Users. Journal of Computing and Information System, 20(2), 146–154. https://doi.org/10.33480/pilar.v20i2.5736.
Haq, M. Z., Octiva, C. S., Ayuliana, A., Nuryanto, U. W., & Suryadi, D. (2024). Algoritma Naïve Bayes untuk Mengidentifikasi Hoaks di Media Sosial. Jurnal Minfo Polgan, 13(1), 1079–1084. https://doi.org/10.33395/jmp.v13i1.13937.
Muhammady, D. N., Nugraha, H. A. E., Nastiti, V. R. S., & Aditya, C. S. K. (2024). Students Final Academic Score Prediction Using Boosting Regression Algorithms. Jurnal Ilmiah Teknik Elektro Komputer Dan Informatika, 10(1), 154. https://doi.org/10.26555/jiteki.v10i1.28352.
Olamedy, J. (2024). Panduan Lengkap untuk Stratified K-Fold Cross-validation untuk Data yang Tidak Seimbang. https://medium.com/@juanc.olamendy/a-comprehensive-guide-to-stratified-k-fold-cross-validation-for-unbalanced-data-014691060f17.
Imani, M., Beikmohammadi, A., & Arabnia, H. R. (2025). Comprehensive Analysis of Random Forest and XGBoost Performance with SMOTE, ADASYN, and GNUS Under Varying Imbalance Levels. Technologies, 13(3), 1–40. https://doi.org/10.3390/technologies13030088.
Rithp. (2023). XGBoost Tuning: Common Hyperparameter Pitfalls and How to Avoid Them. Medium. https://medium.com/%40rithpansanga/xgboost-tuning-common-hyperparameter-pitfalls-and-how-to-avoid-them-55636fc0a358.
Rom, A. R. M., Jamil, N., & Ibrahim, S. (2024). Multi objective hyperparameter tuning via random search on deep learning models. Telkomnika (Telecommunication Computing Electronics and Control), 22(4), 956–968. https://doi.org/10.12928/TELKOMNIKA.v22i4.25847.
