Analisis Sentimen Pengguna Sistem Pay Later Menggunakan Support Vector Machine Metode Pembobotan Lexicon

Abstract

Layanan pay later sangat mudah dengan cepat  populer di masyarakat, hal ini disebabkan karena fitur ini cenderung mudah digunakan dan populer karena tertanam pada e-commerce. Banyaknya penyedia layanan pay later menyebabkan diperlukannya pemilahan penyedia paylater mana yang akan digunakan berdasarkan berbagai pertimbangan termasuk review dari pengguna lain. Di sisi lain, review pengguna lain dapat diperoleh dari Twitter. Data dari Twitter menunjukkan terdapat ribuan tweets pada tahun 2021 hingga 2022 berisikan opini masyarakat terkait penggunaan pay later. Tweets tersebut membahas tentang keunggulan, keluhan, dan ulasan dari penggunaan pay later. Namun, beberapa keunggulan, keluhan, dan ulasan tersebut banyak yang bersifat abstrak sehingga masih belum optimal pemanfaatannya. Penelitian ini bertujuan untuk mengklasifikasikan data tweet yang berkaitan dengan pay later menggunakan algoritma Support Vector Machine (SVM). Dari penelitian ini telah berhasil dibangun model klasifikasi SVM untuk kasus sentimen Shopee Paylater dan Go Paylater. Pada pemodelan sentimen Shopee Paylater diperoleh bahwa model telah dapat memprediksi kelas data uji dengan akurasi 89.74%. Pada pemodelan sentimen Go Paylater diperoleh bahwa model telah dapat memprediksi kelas data uji dengan akurasi 90.27%.

Kata Kunci : Analisis Sentimen, Klasifikasi, Pay later, SVM, Lexicon