PERBANDINGAN METODE KLASIFIKASI RANDOM FOREST, XGBOOST DAN SVM PADA ANALISIS SENTIMEN APLIKASI KREDIT DAN PINJAMAN ONLINE

Aplikasi pinjaman online telah memungkinkan masyarakat untuk memperoleh pinjaman dengan mudah. Namun, seperti halnya dengan layanan keuangan lainnya, penggunaan pinjaman online memiliki risiko. Beberapa risiko yang mungkin terjadi antara lain penggunaan yang tidak bertanggung jawab, penipuan, biaya yang terlalu tinggi, dan terjebak dalam siklus hutang. Oleh karena itu, pengguna harus memahami risiko-risiko ini dan melakukan penilaian risiko sebelum memutuskan untuk mengambil pinjaman online dari perusahaan yang tepat. Sistem yang dapat dikembangkan untuk memberikan rekomendasi aplikasi pinjaman online adalah melalui analisis sentimen dengan memanfaatkan ulasan atau penilaian masyarakat terhadap aplikasi tersebut. Penelitian ini menggunakan metode klasifikasi Random Forest, XGBoost, dan Support Vector Machine untuk mengembangkan sistem dan menggabungkan hasil dari ketiga model tersebut menggunakan metode ensemble learning Soft Voting Classifier untuk memperoleh akurasi yang lebih tinggi. Dari hasil pengujian, model Soft Voting memiliki performa yang unggul dibandingkan dengan model Random Forest, XGBoost, dan Support Vector Machine dengan akurasi sebesar 87.3%. Model Random Forest menghasilkan akurasi sebesar 80.9%, disusul oleh model XGBoost dengan akurasi sebesar 80.7%, dan Support Vector Machine menjadi model dengan performa terendah dengan akurasi sebesar 79.9%. Oleh karena itu, diputuskan menggunakan model Soft Voting Classifier yang memiliki tingkat akurasi tertinggi untuk mengklasifikasikan sentimen ulasan pengguna untuk merekomendasikan aplikasi pinjaman online.