PENGELOMPOKAN PENGGUNA GAGAL BAYAR PINJAMAN ONLINE PADA MEDIA SOSIAL TWITTER MENGGUNAKAN TF- IDF DAN K-MEANS CLUSTERING

Abstrak

Maraknya layanan pinjaman berani di Indonesia telah mempermudah akses keuangan tetapi juga menyebabkan peningkatan kasus gagal bayar. Kejadian ini tidak semata-mata dikaitkan dengan keterbatasan ekonomi pengguna, sehingga memerlukan eksplorasi yang lebih komprehensif tentang motif yang mendasarinya. Penelitian ini bertujuan untuk mengklasifikasikan motif di balik gagal bayar di kalangan pengguna pinjaman bold berdasarkan wacana publik di Twitter. Sebanyak 2.607 tweet berbahasa Indonesia dikumpulkan menggunakan metode crawling dengan token otorisasi dan alat tweet-harvest. Tahap data menjalani praproses teks—pelipatan kasus, tokenisasi, penghapusan stopword, dan vektorisasi menggunakan Term Frekuensi – Invers Dokumen Frekuensi (TF-IDF)—dilanjutkan dengan pengelompokan menggunakan algoritma K-Means. Metode Elbow menentukan empat klaster yang optimal. Temuan tersebut mengungkapkan empat tema dominan: tekanan ekonomi dan perilaku keuangan berisiko, promosi yang berputar, intimidasi penagih utang, dan gaya hidup konsumtif. TF-IDF dan K-Means efektif dalam mengekstraksi informasi yang tidak terstruktur dan mengelompokkan opini publik. Studi ini berkontribusi pada pemahaman perilaku default dan mendukung pengembangan sistem deteksi risiko sosial berbasis teks di masa depan.

Identifier

• DOI: https://doi.org/10.33633/joins.v10i2.13652
• OpenAlex: https://openalex.org/W7163051537