Analisis Sentimen Pada Rating Aplikasi Shopee Menggunakan Metode Decision Tree Berbasis SMOTE

Abstract

Analisis sentimen adalah cabang penelitian text mining yang melakukan proses dalam klasifikasi pada dokumen teks. Analisis sentimen merupakan mengekstrasi pendapat, emosi dan evaluasi seseorang yang tertulis mengenai suatu topik tertentu dengan memanfaatkan teknik pemrosesan bahasa alami. Peneliti melakukan penelitian tentang analisis sentimen pada rating aplikasi Shopee dengan menggunakan metode Decision Tree. Tujuan penelitian ini untuk mengetahui tingkat keakurasian dan mengetahui pendapat pengguna mengenai aplikasi Shopee ini. Hasil penelitian dengan menggunakan algoritma Decision Tree dengan SMOTE (Synthetic Minority Oversampling Technique) nilai accuracy-nya menghasilkan 99,91 persen, AUC (Area Under Curve) 0,999, recall 99,88 persen dan nilai precision 99,98 persen. Hasil menggunakan algoritma Decision Tree tanpa SMOTE nilai accuracynya menghasilkan 99,89 persen, AUC (Area Under Curve) 0,950, recall 99,88 persen dan nilai precision 99,98 persen. Dari hasil evaluasi yang ada dapat ditarik kesimpulan SMOTE dapat berpengaruh terhadap nilai accuracy dan AUC (Area Under Curve), serta untuk nilai recall dan precision tidak berpengaruh atau hasilnya tetap sama walau menggunakan SMOTE atau tanpa SMOTE. Selisih nilai accuracy yang didapat adalah 0,02 persen dan untuk AUC-nya sebesar 0.049.

Sentiment Analysis of Customer Feedback Reviews Towards Hotel’s Products and Services in Labuan Bajo

“…Figure 5 is the Area Under Curve (AUC) value from the calculation results using the SMOTE UPsampling dataset balancing technique in the k-NN algorithm. [30] shows that the value of using SMOTE Upsampling greatly affects the AUC value and shows a significant difference. In this study, the difference in accuracy values before and according to SMOTE Upsampling in the k-NN algorithm was 6.95%, while the precision value was -1.07%.…”

Analisis sentimen kenaikan harga kebutuhan pokok dimedia sosial youtube menggunakan algoritma support vector machine

“…Saat pemberian label pada komentar, penulis tidak memperhitungkan kesamaan jumlah data yang diperlukan untuk komentar positif dan komentar negatif, kemudian penulis menemukan ketidakseimbangan jumlah kelas pada data. Oleh karena itu penulis juga mengusulkan menggunaka n teknik penyeimbangan data SMOTE (Synthetic Minority Oversampling Technique), yang merujuk pada referensi [7] dan [8] untuk optimalisasi perbandingan jumlah label pada data sebelum dilakukan tahap klasifikasi. Penelitian ini menguji algoritma Support Vector Machine dalam mengetahui hasil klasifikasi sentimen komentar pengguna, dan mendapatkan hasil akurasi terbaik, pada konten video dimedia sosial Youtube bertajuk kaitan kenaikan harga kebutuhan pokok dengan survei kinerja pemerintahan di Indonesia [9].…”

“…SMOTE merupakan teknik yang dimanfaatkan untuk mengatasi masalah class imbalance problem (CIP). SMOTE bekerja dengan memodifikasi dataset yang tidak seimbang dengan cara membuat data sintetik baru dari kelas minoritas dengan tujuan meningkatkan kinerja dari metode klasifikasi [7].…”

Analisis Sentimen Twitter Untuk Mengetahui Kesan Masyarakat Tentang Pelaksanaan Pomprov Jawa Timur Tahun 2022 Dengan Perbandingan Metode Naïve Bayes Classifier Dan Decision Tree Berbasis Smote

“…SMOTE memodifikasi set data yang tidak seimbang dengan membuat data sintetis baru dari kelas minoritas dengan tujuan meningkatkan kinerja metode klasifikasi. Overfitting dapat terjadi di SMOTE dengan data kelas minoritas direplikasi [9]. Data latih sintetik didasarkan pada nilai k tetangga terdekat dalam model algoritma k-nn dan menghasilkan data latih sintetis skala numerik yang berbeda dari data numerik kategoris diukur berdasarkan kedekatan dengan jarak Euclidean, sedangkan data kategorikal mempertimbangkan nilai modusnya.…”