Analisis Sentimen Kualitas Layanan Teknologi Pembayaran Elektronik di Twitter (Studi Kasus OVO dan Dana)

Sentiment Analysis of Financial Technology Electronic Payment Service Quality In Twitter (Case Study OVO and Dana) 

Teknologi yang semakin berkembang memberikan kemudahan bagi para pengguna dalam berbagai aspek. Teknologi Finansial atau lebih dikenal dengan fintech saat ini tengah berkembang di masyarakat dan menawarkan kemudahan dalam hal transaksi. Namun seiring perkembangan, penyedia jasa fintech di Indonesia semakin banyak bermunculan. OVO dan DANA merupakan salah satu penyedia jasa fintech terbesar dan memiliki jumlah pengguna terbanyak di Indonesia. Saat ini perkembangan media sosial banyak dimanfaatkan oleh perusahaan untuk mendapatkan opini atau tanggapan terkait produk yang ditawarkan, salah satunya media sosial Twitter. Pelanggan yang puas dan kurang puas dengan layanan produk yang diberikan perusahaan dapat menuliskannya melalui tweet yang diunggah di media sosial Twitter. Kemudahan pengambilan data pada media sosial Twitter dimanfaatkan untuk melakukan penelitian ini. Penelitian ini bertujuan untuk menganalisa sentimen pengguna terhadap layanan OVO dan DANA yang diungggah di Twitter dalam cuitan pengguna atau yang disebut tweets. Penelitian ini menggunakan tiga model klasifikasi yaitu Naïve Bayes Classifier, Support Vector Machine (SVM) dan K-Nearest Neighbor. Penelitian ini mendapatkan hasil bahwa sentimen negatif pengguna masih lebih tinggi dibandingkan sentimen positif terhadap aplikasi OVO dan Dana, model SVM merupakan model machine learning yang mendapatkan hasil akurasi paling tinggi pada data OVO dan DANA yaitu 81,33% dan 86,23% sedangkan NB hanya 80,63% dan 86,19% serta model K-NN sebesar 75,83% dan 86,19% sehingga dapat disimpulkan SVM menjadi model paling baik berdasarkan dengan nilai metrics akurasi, presisi, recall dan f-measure atau f1. Selain itu dari hasil olah kata di wordcloud ditemukan bahwa kendala terbesar yang dialami OVO dan Dana terletak pada keandalan aplikasi dalam melakukan transaksi dan kemampuan staf dalam melakukan respon terhadap keluhan pengguna. Hal tersebut dibuktikan dengan banyaknya komentar negatif pengguna aplikasi OVO dan Dana terkait kendala mereka dalam melakukan transfer uang dan bahkan kehilangan uang mereka karena lambatnya penanganan dari customer service.

Technology has growing and provides convinience for users in various aspect. Financial technology as we known as fintech is curently developing and offers many convinience in terms of transaction. But, along with developers, there is a lot new of fintech service providers in Indonesia. OVO and Dana are one of the largest financial technology service providers that have the largest number of users in Indonesia. The development of social media is widely used by companies to getting opinions or responses related to the products offered, especially Twitter. Customers who are satisfied and dissatisfied with the product from the company can write down via tweets uploaded in social media Twitter. Data retrieval facilities of data collection in Twitter was used for this research. This study aims to analyze user sentimet towards OVO and Dana services that have been uploaded in Twitter from users tweets. This research finds that negative sentimen from users is higher than positive sentimen for both application OVO and Dana, the SVM model is the machine learning models that get the higest accuracy result for both of the data OVO and DANA is 81,33% and 86,23%, meanwhile NB only get 80,63% and 86,19% and K-NN models get 75,83% and 86,19% so it can be concluded that SVM becoming the best model based on accuracy, precision, recall and f-measure or f1. Beside that, from the result of word processing in wordcloud, found that the biggest problem experienced from OVO and DANA in the reliability of the application in conducting transactions and the responsiveness from the staff to respond of users complaint. This is proven by the large number of negative comments from OVO and Dana application users about their problems in transferring money and even losing money because customer service’s respon is very slow.