Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika)
Fitri, Dhea Annisa
Unknown Affiliation
Computer Science & IT Education

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
KOMPARASI ALGORITMA RANDOM FOREST CLASSIFIER DAN SUPPORT VECTOR MACHINE UNTUK SENTIMEN MASYARAKAT TERHADAP PINJAMAN ONLINE DI MEDIA SOSIAL Fitri, Dhea Annisa; Damayanti, Damayanti
JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Vol 9, No 4 (2024)
Publisher : STKIP PGRI Tulungagung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29100/jipi.v9i4.5608

Abstract

Perkembangan di sektor keuangan, terutama dengan kemunculan teknologi keuangan (fintech), telah membawa beragam layanan keuangan yang menggunakan teknologi, termasuk layanan pinjaman online. Fenomena pinjaman online menjadi sorotan utama di Indonesia, baik dari segi hukum maupun dampaknya terhadap masyarakat. Dalam konteks ini, penting untuk mengkaji analisis sentimen masyarakat terhadap pinjaman online yang tersebar di berbagai platform media sosial. Penelitian ini memiliki tujuan untuk membandingkan performa dua algoritma klasifikasi, yakni Random Forest dan Support Vector Machine (SVM), dalam menganalisis sentimen terhadap opini masyarakat terkait pinjaman online di media sosial, khususnya di platform Twitter. Metode penelitian mencakup proses pengumpulan data melalui pengambilan data pada platform Twitter, pemrosesan data untuk membersihkan dan memformat dataset, serta memberi label pada data untuk mengkategorikan opini sebagai positif atau negatif. Langkah selanjutnya melibatkan klasifikasi data, yang diikuti dengan evaluasi menggunakan Confusion Matrix untuk menilai performa kedua algoritma. Temuan penelitian menunjukkan bahwa kedua algoritma mampu melakukan klasifikasi dengan baik setelah data disesuaikan, namun Random Forest mencapai akurasi 100% sedangkan SVM mencapai 99%. Walaupun begitu, secara keseluruhan, Random Forest menunjukkan hasil yang lebih baik dengan akurasi yang lebih tinggi
Co-Authors Damayanti Damayanti