Implementasi Algoritma Support Vector Machine Untuk Analisa Sentimen Data Ulasan Aplikasi Pinjaman Online di Google Play Store
Implementation of Support Vector Machine Algorithm for Sentiment Analysis of Online Loan Application Review Data on Google Play Store
DOI:
https://doi.org/10.57152/malcom.v4i4.1435Keywords:
Analisis Sentimen, Aplikasi Pinjaman Online, Klasifikasi, Support Vector Machine, Ulasan PenggunaAbstract
Pinjaman online (pinjol) banyak menuai pro dan kontra karena aksesnya yang mudah dan iklannya tersebar di media sosial. Penyelenggara pinjaman daring juga seringkali menggunakan metode penagihan yang mengganggu, memberlakukan bunga yang tinggi, dan menetapkan jangka waktu pembayaran yang pendek, terutama pada pinjaman daring ilegal. Karenanya, penelitian ini melakukan analisis sentimen pada lima aplikasi pinjol, yaitu Kredivo, Easycash, Rupiah Cepat, Kredit Pintar, dan Ada Pundi. Data ulasan aplikasi diambil dari Google Play Store menggunakan teknik scraping. Kemudian, pelabelan sentimen dilakukan secara otomatis menggunakan kamus sentimen Bahasa Indonesia (Inset). Hasil pelabelan menunjukkan bahwa semua aplikasi pinjol mayoritas memiliki sentimen negatif. Kredivo menjadi aplikasi dengan jumlah sentimen positif terbanyak (46%), sementara itu Easycash memiliki sentimen negatif terbanyak (65%). Data yang di labeli kemudian digunakan untuk pemodelan klasifikasi dengan algoritma Support Vector Machine (SVM). Hasil evaluasi menghasilkan algoritma SVM mempunyai kinerja yang cukup baik dengan rata-rata akurasi sebesar 72%, presisi 76%, dan recall 85%. Namun secara khusus, SVM sangat baik melakukan klasifikasi sentimen pada aplikasi Kredit Pintar dengan akurasi sebesar 83%. Analisis visualisasi menggunakan word cloud juga dilakukan untuk memahami konteks ulasan pengguna aplikasi pinjol. Hasil pengamatan menunjukkan bahwa pengguna hampir selalu membahas tentang limit pinjaman disetiap sentimen pada kelima aplikasi.
References
Hamirul, M. Syukurman, D. Juniarsih, Darmawanto, and Zulkifli, Pinjaman Online Membawa Sengsara, 1st ed. Mojokerto: Insight Mediatama, 2023.
R. R. Suryono, B. Purwandari, and I. Budi, “Peer to peer (P2P) lending problems and potential solutions: A systematic literature review,” Procedia Computer Science, vol. 161, pp. 204–214, 2019, doi: 10.1016/j.procs.2019.11.116.
A. M. Gomulya, “Efektivitas Peran Literasi Digital Dalam Pembangunan Ekonomi Digital, Studi Kasus Pada Korban Kejahatan Pinjaman Online Ilegal,” Kritis, vol. 32, no. 2, pp. 117–136, 2023, doi: 10.24246/kritis.v32i2p117-136.
D. Salasa Anastasia, “Urgensi Pembentukan Hukum Fintech Untuk Memberi Perlindungan Hukum Kepada Konsumen Dalam Pinjaman Online,” Jurnal Hukum dan HAM Wara Sains, vol. 2, no. 02, pp. 136–151, 2023, doi: 10.58812/jhhws.v2i02.227.
N. U. Qinvi and B. A. Prastyo, “Penindakan Terhadap Aplikasi Pinjaman Online Ilegal Di Google Play Store,” Technology and Economics Law Journal, vol. 1, no. 2, pp. 146–155, 2022.
E. K. Panginan and I. Irwansyah, “Fenomena Aplikasi Kredit Dan Pinjaman Online Kredivo di Indonesia,” Jurnal Komunikasi dan Kajian Media, vol. 4, no. 1, pp. 12–26, 2020.
S. Rohmah and M. Ary, “Analisis Pengalaman Pengguna Aplikasi Pinjaman Online Menggunakan Metode Usability Testing Dan User Experience Questionnaire ( Studi kasus?: pada Akulaku dan Kredivo Indonesia ) Departemen Sistem Informasi , Fakultas Teknologi Informasi , Industri keuanga,” JSI: Jurnal Sistem Informasi, vol. 13, no. 1, pp. 2230–2245, 2021.
M. Cindo, D. P. Rini, and Ermatita, “Seminar Nasional Teknologi Komputer & Sains (SAINTEKS) Literatur Review: Metode Klasifikasi Pada Sentimen Analisis,” in Seminar Nasional Teknologi Komputer & Sains (SAINTEKS), 2019, pp. 66–70.
A. Putra and R. Latifah, “Analisis Sentimen Pengguna Twitter Terhadap Aplikasi Pinjaman Online Menggunakan Metode Support Vector Machine,” in Seminar Nasional Penelitian LPPM UMJ, 2022, pp. 1–7.
T. D. Ramadhan, D. Wahiddin, and E. E. Awal, “Klasifikasi Sentimen Terhadap Pinjaman Online (Pinjol) Menggunakan Algoritma Naive Bayes,” Scientific Student Journal for Information, Technology and Science, vol. 4, no. 1, pp. 82–87, 2023.
A. Rahmadeyan and Mustakim, “Seleksi Fitur pada Supervised Learning: Klasifikasi Prestasi Belajar Mahasiswa Saat dan Pasca Pandemi COVID-19,” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 9, no. 1, pp. 21–32, 2023, doi: 10.25077/TEKNOSI.v9i1.2023.21-32.
D. S. Utami and A. Erfina, “Analisis Sentimen Pinjaman Online di Twitter Menggunakan Algoritma Support Vector Machine (SVM),” SISMATIK (Seminar Nasional Sistem Informasi dan Manajemen Informatika), vol. 1, no. 1, pp. 299–305, 2021.
T. P. Lestari, “Analisis Text Mining pada Sosial Media Twitter Menggunakan Metode Support Vector Machine (SVM) dan Social Network Analysis (SNA),” Jurnal Informatika Ekonomi Bisnis, vol. 4, no. 3, pp. 65–71, 2022, doi: 10.37034/infeb.v4i3.146.
E. Eviyanti, B. Irawan, and A. Bahtiar, “Penggunaan Algoritma Naïve Bayes Dalam Menganalisis Sentimen Ulasan Aplikasi Adakami Di Google Play Store,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 7, no. 6, pp. 3879–3885, 2024, doi: 10.36040/jati.v7i6.8272.
N. S. N. Salman and F. Kusuma, “Tinjauan Sentimen Terhadap Ulasan Aplikasi Peminjaman Online dengan Metode Support Vector Machine (SVM),” AGENTS: Journal of …, vol. 4, no. 1, pp. 13–21, 2024.
A. Agustin, S. Andrean, S. Susanti, R. Rahmiati, and H. Hamdani, “Review Aplikasi Kredivo Menggunakan Analisis Sentimen Dengan Algoritma Support Vector Machine,” Rabit?: Jurnal Teknologi dan Sistem Informasi Univrab, vol. 9, no. 1, pp. 39–49, 2023, doi: 10.36341/rabit.v9i1.4107.
S. Khomsah and A. S. Aribowo, “Model Text-Preprocessing Komentar Youtube Dalam Bahasa Indonesia,” Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), vol. 4, no. 4, pp. 648–654, 2020.
F. Koto and G. Y. Rahmaningtyas, “InSet Lexicon: Evaluation of a Word List for Indonesian Sentiment Analysis in Microblogs,” in International Conference on Asian Language Processing (IALP), 2017, pp. 391–394, doi: 10.1109/IALP.2017.8300625.
A. Simanungkalit, J. Panda, P. Naibaho, and A. De Kweldju, “Analisis Sentimen Berbasis Aspek Pada Ulasan Aplikasi Shopee Menggunakan Algoritma Naïve Bayes,” Jutisi?: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi, vol. 13, no. 1, pp. 659–670, 2021, doi: 10.35889/jutisi.v13i1.1826.
A. Rahmadeyan, Mustakim, I. Ahmad, A. D. Alexander, and A. Rahman, “Phishing Website Detection with Ensemble Learning Approach Using Artificial Neural Network and AdaBoost,” in 2023 International Conference on Information Technology Research and Innovation (ICITRI), 2023, pp. 162–166, doi: 10.1109/ICITRI59340.2023.10249799.
A. A. G. R. Gunawan, S. Nurdiati, and Y. Arkeman, “Identifikasi Jenis Kayu Menggunakan Support Vector Machine Berbasis Data Citra,” Jurnal Ilmu Komputer dan Agri-Informatika, vol. 3, no. 1, p. 1, 2017, doi: 10.29244/jika.3.1.1-8.
M. A. Fayyad, V. Kurniawan, M. R. Ahugrah, B. H. Estanto, and T. Bilal, "Application of Recurrent Neural Network Bi-Long Short-Term Memory, Gated Recurrent Unit and Bi-Gated Recurrent Unit for Forecasting Rupiah Against Dollar (USD) Exchange Rate", Public Research Journal of Engineering, Data Technology and Computer Science, vol. 2, no. 1, pp. 1–10, Apr. 2024, doi: 10.57152/predatecs.v2i1.1094.
