Analisis Sentimen Sistem Pembayaran Paylater Dari Twitter Menggunakan Algoritma Support Vector Machine (SVM)

Latar Belakang: Dalam perkembangan ekonomi digital saat ini, metode pembayaran PayLater semakin memudahkan transaksi, memungkinkan pembeli untuk menunda pembayaran produk yang dibeli. Aplikasi e-commerce seperti Shopee Paylater, GoPay Paylater, Kredivo, dan lainnya menawarkan kemudahan akses dan berbagai promo. Meskipun memberikan keuntungan, penggunaan PayLater juga menimbulkan risiko, terutama ketidakpahaman tentang risiko dan kurangnya persiapan untuk kemungkinan gagal bayar. Masyarakat sering berbagi pengalaman dan keluhan terkait PayLater di media social seperti Twitter. Oleh karena itu, analisis sentimen diperlukan untuk mengevaluasi opini pengguna terhadap pembayaran dengan PayLater, dengan tujuan membantu calon pengguna dalam mempertimbangkan penggunaan metode pembayaran ini.
Tujuan: Penelitian ini bertujuan membuat model analisis sentimen terkait PayLater dari ulasan atau komentar di Twitter. Tujuannya adalah memberikan informasi relevel kepada pengguna untuk membantu evaluasi penggunaan PayLater.
Metode Penelitian: Data pada penelitian ini di dapatkan dari ulasan di twitter mengenai penggunaan Paylater. Penelitian ini menggunakan 1000 data ulasan mengenai penggunaan Paylater yang disimpan dalam bentuk csv. Pada data ulasan yang telah dikumpulkan akan melewati proses pengolahan data dengan beberapa tahapan yaitu, preprocessing, pelabelan manual, training, testing dan klasifikasi. Pada penelitian ini menggunakan algoritma Support Vector Machine dan sistem
dibuat menggunakan bahasa pemrograman Python dengan framework Flask.
Hasil: Hasil penelitian ini adalah untuk menganlisis sentimen terkait pengunaan pembayaran Paylater yang beredar di Twitter. Dari analisis sentimen yang dilakukan dengan menggunakan metode SVM, mendapatkan akurasi 98% untuk testing.
Kesimpulan: Analisis sentimen terkait ulasan penggunaan Paylater di Twitter dibangun dengan menggunakan bahasa pemrograman python dan framework flask. Dari klasifikasi menunjukkan bahwa model yang dikembangkan mampu berjalan
dengan baik dalam melakukan tugas klasifikasi, menandakan kemampuannya dalam mengenali pola dan memprediksi kategori data dengan tingkat keakuratan yang tinggi.