PEMANFAATAN PEMROSESAN BAHASA ALAMI DALAM R UNTUK VISUALISASI PROFIL KELUHAN PELANGGAN FINTECH:

EVALUASI KASUS ADAKAMI

Abstract

Meskipun legal dan diawasi Otoritas Jasa Keuangan (OJK), anomali operasional platform fintech lending kerap luput dari proses audit konvensional. Ribuan ulasan pengguna menyimpan pola tersembunyi terkait pelanggaran standar operasional, namun volume data yang masif membuat pemantauan manual tidak efisien. Penelitian ini bertujuan mengonstruksi model ekstraksi informasi berbasis Natural Language Processing (NLP) menggunakan bahasa R guna memvisualisasikan profil keluhan pengguna pada aplikasi AdaKami. Pendekatan kuantitatif deskriptif diterapkan melalui teknik web scraping ulasan di Google Play Store. Proses NLP dieksekusi menggunakan paket tm dan quanteda dalam bahasa R, mencakup tahap persiapan data, preprocessing, pembobotan TF-IDF, dan tokenisasi N-gram untuk menjaga konteks kalimat, yang kemudian divisualisasikan melalui ggplot2. Hasil analisis mengungkap bahwa algoritma sukses mengisolasi klaster keluhan yang mengarah pada tiga anomali operasional spesifik: (1) Klaster pertama, friksi penolakan kredit, (2) Klaster kedua, krisis kepercayaan privasi data, (3) Klaster ketiga, anomali finansial dan penagihan, dan (4) Klaster keempat, kerusakan teknis UX/UI . Temuan ini membuktikan arsitektur NLP berfungsi efektif sebagai instrumen audit forensik digital. Secara praktis, script pemodelan R ini dapat diadopsi langsung oleh Otoritas Jasa Keuangan (OJK) dan Satgas PASTI (Pemeberantasan Aktivitas Keuangan Ilegal) sebagai purwarupa Early Warning System (EWS) untuk memantau kepatuhan secara otomatis, sekaligus mendesak manajemen AdaKami mereformasi prosedur pihak ketiga dan memperbaiki transparansi pencairan dana