ANALISIS LONGITUDINAL SENTIMEN DAN TEMA ULASAN PENGGUNA APLIKASI PEMINJAMAN ONLINE (KREDIVO, EASYCASH, PINJAMYUK) DENGAN TOPIC MODELING DAN ALGORITMA SUPPORT VECTOR MACHINE

BELAY, YENI MONIKA (2025) ANALISIS LONGITUDINAL SENTIMEN DAN TEMA ULASAN PENGGUNA APLIKASI PEMINJAMAN ONLINE (KREDIVO, EASYCASH, PINJAMYUK) DENGAN TOPIC MODELING DAN ALGORITMA SUPPORT VECTOR MACHINE. S1 thesis, Universitas Mercu Buana Jakarta.

Preview	Text (HAL COVER) 01 COVER.pdf Download (425kB) | Preview
	Text (BAB I) 02 BAB I.pdf Restricted to Registered users only Download (40kB)
	Text (BAB II) 03 BAB II.pdf Restricted to Registered users only Download (294kB)
	Text (BAB III) 04 BAB III.pdf Restricted to Registered users only Download (59kB)
	Text (BAB IV) 05 BAB IV.pdf Restricted to Registered users only Download (466kB)
	Text (BAB V) 06 BAB V.pdf Restricted to Registered users only Download (29kB)
	Text (DAFTAR PUSTAKA) 07 DAFTAR PUSTAKA.pdf Restricted to Registered users only Download (140kB)
	Text (LAMPIRAN) 08 LAMPIRAN.pdf Restricted to Registered users only Download (487kB)

Abstract

This study aims to analyze user sentiments and review themes for three online lending applications, namely Kredivo, Easycash, and Pinjamyuk, using the Latent Dirichlet Allocation (LDA) and Support Vector Machine (SVM) approaches. The research encompasses a total of 300,000 user reviews, with each application contributing 100,000 reviews. The analysis also includes a longitudinal study to identify sentiment distribution patterns over specific time periods. The findings reveal that positive sentiment dominates user reviews across all three applications, with an average proportion of 85%. Through LDA analysis, the main identified themes include service processing speed, application usability, interest rates, and technical issues such as account blocking or credit limit reductions. The applied SVM model demonstrated excellent performance, with the highest accuracy of 96.3% on the Kredivo dataset, followed by 95.9% for Easycash, and 95.5% for Pinjamyuk. Longitudinal analysis revealed that promotions or application feature improvements tend to increase positive sentiment, while technical issues or policy changes often trigger negative sentiment. This study provides valuable insights for application developers to understand user needs and perceptions. Strategic recommendations include regularly monitoring user reviews and implementing data-driven solutions to enhance service quality and user experience. Keywords: Sentiment Analysis, Online Lending Applications, Longitudinal Study, Support Vector Machine, Topic Modeling. Penelitian ini bertujuan untuk menganalisis sentimen dan tema ulasan pengguna pada tiga aplikasi pinjaman online, yaitu Kredivo, Easycash, dan Pinjamyuk, menggunakan pendekatan Latent Dirichlet Allocation (LDA) dan Support Vector Machine (SVM). Data penelitian mencakup total 300.000 ulasan pengguna, dengan masing-masing aplikasi menyumbang 100.000 ulasan. Analisis juga mencakup studi longitudinal untuk mengidentifikasi pola persebaran sentimen berdasarkan periode waktu tertentu. Hasil penelitian menunjukkan bahwa sentimen positif mendominasi ulasan pengguna di ketiga aplikasi, dengan rata-rata proporsi mencapai 85%. Melalui analisis LDA, tema utama yang berhasil diidentifikasi meliputi kecepatan proses layanan, kemudahan penggunaan aplikasi, tingkat bunga, serta kendala teknis seperti pemblokiran akun atau penurunan limit kredit. Model SVM yang diterapkan menunjukkan performa yang sangat baik, dengan akurasi tertinggi sebesar 96,3% pada dataset Kredivo, diikuti oleh 95,9% untuk Easycash, dan 95,5% untuk Pinjamyuk. Dari analisis longitudinal, ditemukan bahwa promosi atau peningkatan fitur aplikasi cenderung meningkatkan sentimen positif, sedangkan isu teknis atau perubahan kebijakan seringkali memicu sentimen negatif. Penelitian ini memberikan wawasan berharga bagi pengembang aplikasi dalam memahami kebutuhan dan persepsi pengguna. Rekomendasi strategis mencakup pemantauan ulasan pengguna secara berkala dan implementasi solusi berbasis data untuk meningkatkan kualitas layanan serta pengalaman pengguna. Kata kunci: Analisis Sentimen, Aplikasi Pinjaman Online, Studi Longitudinal, Support Vector Machine, Pemodelan Topik.

Item Type:	Thesis (S1)
Call Number CD:	FIK/INFO. 25 035
NIM/NIDN Creators:	41521010045
Uncontrolled Keywords:	Analisis Sentimen, Aplikasi Pinjaman Online, Studi Longitudinal, Support Vector Machine, Pemodelan Topik.
Subjects:	000 Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 000. Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 004 Data Processing, Computer Science/Pemrosesan Data, Ilmu Komputer, Teknik Informatika 000 Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 060 General Organizations, Foundations, and Museology/Organisasi-organisasi Umum, dan Museologi > 069 Museology (Museum science)/Museologi > 069.6 Personnel Management of Museum/Manajemen Personalia Museum > 069.63 Personnel Management/Manajemen Personalia 500 Natural Science and Mathematics/Ilmu-ilmu Alam dan Matematika > 510 Mathematics/Matematika > 512 Algebra/Aljabar > 512.5 Linear, Multilinear, Multidimensional Algebra/Aljabar Linear, Multilinear, Aljabar Multidimensional > 512.52 Vector Spaces/Ruang Vektor 500 Natural Science and Mathematics/Ilmu-ilmu Alam dan Matematika > 510 Mathematics/Matematika > 518 Numerical Analysis/Analisis Numerik, Analisa Numerik > 518.1 Algorithms/Algoritma
Divisions:	Fakultas Ilmu Komputer > Informatika
Depositing User:	khalimah
Date Deposited:	11 Feb 2025 03:34
Last Modified:	11 Feb 2025 03:34
URI:	http://repository.mercubuana.ac.id/id/eprint/94084

Actions (login required)

View Item