WIDIANTORO, Albertus Dwi Yoga and Mustafid, Mustafid and Sanjaya, Ridwan (2025) MODEL PENGEMBANGAN FITUR FINTECH MENGGUNAKAN ALGORITMA LDA-CNN. Doctoral thesis, UNIVERSITAS DIPONEGORO.

	Text Cover.pdf Download (93kB)
	Text Cover lengkap.pdf Restricted to Repository staff only Download (842kB)
	Text Bab I.pdf Download (296kB)
	Text Bab II.pdf Download (980kB)
	Text Bab III.pdf Restricted to Repository staff only Download (4MB)
	Text Bab IV.pdf Restricted to Repository staff only Download (1MB)
	Text Bab V.pdf Restricted to Repository staff only Download (179kB)
	Text Daftar Pustaka.pdf Download (322kB)
	Text Lampiran.pdf Restricted to Repository staff only Download (730kB)

Abstract

Teknologi Keuangan (Fintech) di Indonesia menunjukkan peningkatan yang signifikan, terutama melalui aplikasi berbasis Android yang banyak diunduh di PlayStore. Komentar pengguna disampaikan melalui Playstore selalu muncul pada aplikasi untuk memberikan masukan. Menganalisa komentar pengguna dengan mengidentifikasi topik dan fitur aplikasi layanan Fintech untuk perbaikan perlu dilakukan. Masalah akurasi klasifikasi yang terbatas dalam menangani ketidakseimbangan data. Kelemahan klasifikasi akan mengakibatkan kesulitan dalam menentukan fitur penting dalam Fintech. Tujuan dari penelitian ini adalah untuk mengembangkan model analitik LDA-ROS-NCL-CNN untuk Analisa fitur Fintech. Pendekatan LDA untuk mengatur topik dan memberi label pada data, mengatasi ketidakseimbangan data menggunakan Random Over Sampling (ROS) dan Neighborhood Cleaning Rule (NCL), melibatkan Convolutional Neural Networks (CNN) untuk klasifikasi untuk mengatasi masalah ini secara efektif. Model analitik LDA-ROS-NCL-CNN fitur Fintech mampu melakukan identifikasi fitur pada dataset komentar pengguna Fintech berdasarkan identifikasi topik utama dan menghasilkan proses yang mampu mendeteksi fitur secara efektivitas penanganan data tidak seimbang, performa klasifikasi mencapai akurasi 94.66%. Rangkaian prosedur analitik yang mengintegrasikan analisis topik LDA dengan CNN suatu pendekatan yang belum digunakan dalam konteks Fintech. Dalam proses LDA komentar pengguna dalam bentuk teks dokumen diubah menjadi frekuensi kemunculan kata representasi Bag of Words (BOW) diolah menghasilkan topik dan susukan kata penyusun topik serta label disetiap dokumen. Dokumen berlabel diubah menjadi Vektor kata yang diolah menggunakan CNN menghasilkan fitur dengan akurasi yang tinggi. Model Analitik LDA-ROS-NCL-CNN fitur Fintech dapat membantu pengembang melihat komentar pengguna yang muncul setiap harinya; membantu memberikan informasi pengembang membuat strategi pembaruan fitur dengan menganalisis data di google play; bahwa informasi yang diberikan oleh pendekatan ini berguna bagi pengembang untuk membuat strategi pembaruan fitur; secara khusus, membantu pengembang untuk memahami fitur dari pendapat pengguna. Kontribusi dari penelitian ini pada pengembangan model analitik LDA-ROS-NCL-CNN fitur Fintech dengan menganalisis data komentar pengguna Fintech menggunakan algoritma LDA yang dapat mengidentifikasi fitur secara efektif. Kemampuan untuk mengidentifikasi fitur-fitur Fintech dominan dalam teks sehingga dapat digunakan untuk memprediksi dan mengetahui fitur mana yang berperan penting dalam Fintech.
Kata Kunci: Model Analitik, Fitur, Model Topik, Fintech, LDA-CNN

Financial Technology (Fintech) in Indonesia has shown significant growth, especially through Android-based applications that are widely downloaded on PlayStore. User comments submitted through Playstore always appear on the application to provide input. Analyzing user comments by identifying topics and features of Fintech service applications for improvement needs to be done. The problem of limited classification accuracy in handling data imbalance. Classification weaknesses will result in difficulties in determining important features in Fintech. The purpose of this study is to develop an LDA-ROS-NCL-CNN analytical model for Fintech feature analysis. The LDA approach to organizing topics and labeling data, overcoming data imbalance using Random Over Sampling (ROS) and Neighborhood Cleaning Rule (NCL), involving Convolutional Neural Networks (CNN) for classification to effectively address this problem. The LDAROS-NCL-CNN analytical model of Fintech features is able to identify features in the Fintech user comment dataset based on the identification of the main topics and produces a process that is able to detect features effectively in handling unbalanced data, classification performance reaches an accuracy of 94.66%. A series of analytical procedures that integrate LDA topic analysis with CNN is an approach that has not been used in the Fintech context. In the LDA process, user comments in the form of document text are converted into the frequency of occurrence of words. Bag of Words (BOW) representation is processed to produce topics and word sequences that make up the topic and labels in each document. Labeled documents are converted into word vectors that are processed using CNN to produce features with high accuracy. The LDA-ROS-NCL-CNN Analytical Model of Fintech features can help developers see user comments that appear every day; help provide information for developers to create feature update strategies by analyzing data on Google Play; that the information provided by this approach is useful for developers to create feature update strategies; specifically, helping developers to understand feature update behavior from user opinions about this update action; helping developers to analyze their own applications. The contribution of this study is in the development of an LDA-ROS-NCL-CNN analytical model of Fintech features by analyzing Fintech user comment data using the LDA algorithm that can identify features effectively. The ability to identify dominant Fintech features in text so that it can be used to predict and find out which features play an important role in Fintech.
Keywords: Model Analytic, Features, Topic Model, Fintech, LDA-CNN

Actions (login required)

View Item