Sektor Peer-to-Peer (P2P) Lending di Indonesia berkembang pesat, dengan Kredit Pintar menjadi salah satu platform pinjaman daring utama. Volume ulasan pengguna yang tinggi di Google Play Store (sebanyak 1.180 data dari Januari 2023– Januari 2026) menyulitkan pengelola untuk memfilter isu spesifik, terutama terkait keamanan data dan transparansi biaya layanan.. Peneliti membandingkan kinerja Algoritma Naïve Bayes dan Support Vector Machine (SVM) dalam mengklasifikasikan ulasan pengguna aplikasi Kredit Pintar menjadi polaritas positif dan negatif. Data ulasan diperoleh melalui web scraping dan diproses melalui preprocessing standar. Transformasi fitur dilakukan menggunakan metode Term Frequency–Inverse Document Frequency (TF-IDF), sementara pelabelan sentimen memanfaatkan pustaka VADER yang disesuaikan dengan custom lexicon. Kinerja kedua model dievaluasi menggunakan metrik Akurasi, Presisi, Recall, dan F1- score. Hasil perbandingan ini akan memberikan wawasan strategis kepada pengembang Kredit Pintar untuk perbaikan layanan dan mempermudah calon peminjam dalam menilai kredibilitas aplikasi.

S12490

INF 0060 2026

Bekasi

Tersedia