<![CDATA[The rapid growth of digital technology has led to a significant surge in online lending in Indonesia. However, inadequate regulations and unethical practices by service providers have generated diverse public opinions, particularly on social media platforms such as Twitter. This study aims to analyze public sentiment towards online lending by applying the Random Forest algorithm to Twitter data. Random Forest was chosen for its ability to handle overfitting and provide accurate classification results. The dataset consisted of 1,000 tweets categorized into positive, negative, and neutral sentiments. Before classification, data preprocessing was conducted, including text cleaning, tokenization, stemming, and TF-IDF calculation. Results demonstrated that the combination of Random Forest and the SMOTE technique significantly contributed to sentiment analysis. The developed model achieved an accuracy of 80%, with precision scores of 83%, 65%, and 83% for negative, neutral, and positive sentiments, respectively. Recall scores were 93%, 55%, and 45% for negative, neutral, and positive sentiments, respectively, while F1-scores were 88%, 59%, and 59%. In conclusion, although the model exhibited optimal performance, especially for negative sentiment, further improvements are needed for a more comprehensive analysis, particularly for neutral sentiment.Keywords: Online lending; Random forest; Sentiment analysis, SMOTE; Twitter. AbstrakDi tengah kemajuan pesat era digital, sektor pinjaman online di Indonesia mengalami pertumbuhan signifikan. Namun, regulasi yang belum memadai dan meningkatnya tindakan tidak etis oleh penyedia layanan telah menimbulkan beragam pandangan di kalangan masyarakat, terutama pada platform media sosial seperti Twitter. Tujuan dari penelitian ini adalah menganalisis persepsi publik tentang pinjaman online dengan menerapkan metode Random Forest pada teks tweet di Twitter. Metode ini dipilih karena kemampuannya dalam mengatasi overfitting dan memberikan hasil klasifikasi yang akurat. Data penelitian terdiri dari 1000 tweet yang dikategorikan sebagai sentimen positif, negatif, atau netral. Sebelum klasifikasi, dilakukan preprocessing data termasuk pembersihan teks, tokenisasi, dan stemming serta dilakukan perhitungan TF-IDF. Hasil penelitian menunjukkan bahwa kombinasi metode Random Forest dan teknik SMOTE memberikan kontribusi signifikan dalam analisis sentimen. Model yang dikembangkan mencapai akurasi 80%, dengan precision untuk sentimen negatif 83%, netral 65%, dan positif 83%. Nilai recall untuk sentimen negatif adalah 93%, netral 55%, dan positif 45%, sedangkan F1-score masing-masing adalah 88%, 59%, dan 59%. Kesimpulan dapat disimpulkan bahwa meskipun model ini menunjukkan kinerja yang optimal, terutama untuk sentimen negatif, peningkatan lebih lanjut diperlukan untuk analisis yang lebih komprehensif, terutama pada sentimen netral. ]]>
