Perbandingan Metode Klasifikasi Support Vector Machine dan Extreme Gradient Boosting pada Klasifikasi Sentimen Aplikasi Paylater

Abstract

Perkembangan financial technology (fintech) di Indo-nesia sangat pesat. Salah satu dari perkembangan fintech ada-lah sistem Buy Now-Pay Later atau yang biasa disebut paylater merupakan pembayaran yang ditunda, dengan kata lain sese-orang dapat membeli barang saat ini tanpa membayar langsung namun sebagai gantinya mereka membayar tiap bulan beserta bunganya. Sistem paylater sama seperti sistem pada kartu kredit. Contoh aplikasi yang memberikan layanan paylater adalah Kredivo. Suatu layanan akan menghasilkan respons dari pengguna, yaitu berupa ulasan. Berdasarkan ulasan tersebut dapat di klasifikasikan berdasarkan sentimen positif dan nega-tif. Penelitian ini menggunakan dua metode klasifikasi untuk membandingkan ketepatan klasifikasi antara metode Support Vector Machine dan Extreme Gradient Boosting. Penelitian ini dilakukan analisis klasifikasi menggunakan metode Support Vector Machine dengan dua jenis kernel, yaitu Linier dan Radial Basis Function (RBF). Pada analisis Support Vector Machine dengan kernel Linier membutuhkan parameter cost (C), dimana nilai parameter C yang akan diuji coba adalah 0,5; 0,75; 1; 10; dan 100. Pada analisis Support Vector Machine dengan kernel RBF menggunakan parameter C dan γ, di mana nilai parameter γ yang akan diuji coba adalah 0,005; 0,05; 0,1; 0,5 dan 0,75. Pada analisis klasifikasi metode Extreme Gradient Boosting dilakukan dengan hyperparameter tuning dengan bantuan metode grid-search. Hasil dari penelitian ini menunjukkan bahwa metode Support Vector Machine non-linier dengan kernel RBF para-meter C = 1 dan γ = 0,75 memiliki ketepatan klasifikasi yang lebih baik daripada Support Vector Machine Linier dan Extreme Gradient Boosting. Dengan hasil rata-rata akurasi, F-score, dan AUC sebesar 94,45%; 96,18% dan 92,39%.

CC Licencing

Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).