Publisher

HOSTJOURNALSHOSTJOURNALS

Journal Bulletin of Computer Science ResearchBulletin of Computer Science Research Abstract

Penelitian ini mengeksplorasi sentimen publik terhadap layanan pinjaman online di Indonesia dengan menganalisis opini dari platform media sosial, khususnya YouTube dan Twitter, yang dikumpulkan dari Januari 2021 hingga Januari 2024. Tujuan penelitian ini adalah mengembangkan sistem klasifikasi sentimen yang akurat untuk mengkategorikan pendapat publik menjadi positif, negatif, dan netral, sehingga memberikan wawasan berharga bagi lembaga regulasi dan penyedia layanan untuk memahami kekhawatiran konsumen dan meningkatkan kualitas layanan. Data yang dikumpulkan mengalami pra-pemrosesan menyeluruh, pelabelan semi-otomatis, dan penimbangan Term Frequency-Inverse Document Frequency (TF-IDF). Empat model klasifikasi dievaluasi: Support Vector Machine (SVM) dengan kernel Linear, Polynomial, dan Radial Basis Function (RBF), serta Regresi Logistik. Hasil menunjukkan bahwa SVM Linear mencapai kinerja terbaik dengan akurasi 90,17% dan F1-score 0,902, efektif mengkategorikan sentimen di semua kelas sambil unggul secara khusus dalam kategori negatif dan netral. Dampak yang diharapkan dari analisis ini adalah memberikan rekomendasi berbasis bukti bagi pembuat kebijakan dalam regulasi teknologi finansial dan membantu penyedia layanan pinjaman online memahami tingkat kepuasan konsumen untuk meningkatkan layanan mereka. Studi ini memberikan wawasan berharga bagi penyedia layanan dan lembaga regulasi yang ingin memahami dan mengatasi kekhawatiran publik dalam bidang ini.

Conclusion

Penelitian ini berhasil mengembangkan dan menerapkan pendekatan machine learning untuk mengklasifikasikan sentimen pendapat publik Indonesia terhadap layanan pinjaman online.068 komentar dari Twitter dan YouTube menggunakan pra-pemrosesan data menyeluruh, pelabelan berbasis lexicon, ekstraksi fitur TF-IDF, dan klasifikasi menggunakan beberapa model.Di antara algoritma yang diuji, termasuk Support Vector Machines dengan kernel Linear, Polynomial, dan RBF, serta Regresi Logistik, model SVM Linear dengan akurasi 90,17% dan F1-score 0,902 menunjukkan kinerja konsisten di semua kategori sentimen.Analisis distribusi sentimen mengungkapkan dominasi sikap negatif terhadap layanan pinjaman online, khususnya terkait praktik pengumpulan agresif, bunga tinggi, dan tekanan psikologis dari agen pengumpulan utang.Visualisasi WordCloud membenarkan hasil ini dengan istilah seperti Pinjol (pinjaman online), pengumpul utang, DC (pengumpul utang), dan teror.Pendekatan berbasis lexicon memberikan metode pelabelan yang efisien tetapi menunjukkan keterbatasan dalam memahami nuansa konteks, ironi, dan ambiguitas linguistik.Penelitian masa depan akan menguntungkan dari integrasi arsitektur deep learning seperti LSTM dan BERT untuk meningkatkan pemahaman semantik dan akurasi pelabelan.Selain itu, memperluas pengumpulan data ke platform lain dan variabel demografis akan memungkinkan analisis pendapat publik yang lebih komprehensif.Studi ini berkontribusi pada pengembangan sistem analisis pendapat dan memberikan wawasan berharga bagi otoritas regulasi dan penyedia layanan, membantu mereka memahami dan mengatasi kekhawatiran konsumen melalui pendekatan berbasis bukti.

Future Research

Penelitian lanjutan dapat fokus pada pengembangan model deep learning seperti LSTM atau BERT untuk meningkatkan pemahaman konteks dan semantik dalam analisis sentimen. Selain itu, memperluas pengumpulan data ke platform media sosial lain dan variabel demografis akan memungkinkan analisis pendapat publik yang lebih luas dan representatif. Integrasi pendekatan pelabelan semi-otomatis dengan teknik deep learning juga dapat meningkatkan efisiensi dan akurasi dalam pemrosesan data skala besar. Penelitian ini juga dapat mengeksplorasi penggunaan teknik ensembling atau hybrid model untuk meningkatkan kinerja klasifikasi di lingkungan data yang tidak seimbang.

References

1. Analisis Sentimen Twitter Atas Isu Hak Angket Menggunakan Pembobotan TF-IDF dan Algoritma SVM | Sci-tech... doi.org/10.56709/stj.v3i2.526Analisis Sentimen Twitter Atas Isu Hak Angket Menggunakan Pembobotan TF IDF dan Algoritma SVM Sci tech doi 10 56709 stj v3i2 526
2. Sentiment Analysis of User Preference for Old Vs New.... sentiment analysis user preference old skip... doi.org/10.2478/mspe-2023-0041Sentiment Analysis of User Preference for Old Vs New sentiment analysis user preference old skip doi 10 2478 mspe 2023 0041
3. Sentiment Analysis of Online Lending Services Using Support Vector Machine and Logistic Regression |... hostjournals.com/bulletincsr/article/view/574Sentiment Analysis of Online Lending Services Using Support Vector Machine and Logistic Regression hostjournals bulletincsr article view 574

Metadata

File size	662.1 KB
Pages	9
DMCA	Report