PERBANDINGAN ALGORITMA MACHINE LEARNING UNTUK ANALISIS SENTIMEN SECARA REAL-TIME PADA APLIKASI INDODAX MENGGUNAKAN FEATURE SELECTION CHI-SQUARE

Pertumbuhan pesat aset digital seperti Bitcoin dan kripto telah meningkatkan kebutuhan akan platform perdagangan yang aman dan andal, seperti Indodax. Seiring dengan meningkatnya jumlah pengguna, ulasan pengguna di platform seperti Google Play Store menjadi sumber informasi yang berharga dalam memahami pengalaman dan kepuasan pengguna. Dalam penelitian ini, diterapkan metode Machine Learning untuk mengklasifikasikan sentimen ulasan pengguna, dengan membandingkan tiga algoritma klasifikasi utama, yaitu Support Vector Machine (SVM), Random Forest, dan XGBoost. Salah satu tantangan utama dalam analisis sentimen adalah fitur redundan, yang dapat mengurangi akurasi model serta meningkatkan beban komputasi. Untuk mengatasi permasalahan tersebut, digunakan teknik Feature Selection Chi-Square yang bertujuan untuk menyaring fitur yang paling berpengaruh dalam klasifikasi sentimen, sehingga dapat meningkatkan efisiensi model tanpa kehilangan informasi yang penting. Hasil penelitian menunjukkan bahwa model SVM memiliki performa paling optimal dibandingkan dengan Random Forest dan XGBoost. Sebelum penerapan Feature Selection Chi-Square, akurasi SVM mencapai 93%, dan setelah penerapan metode ini, akurasi meningkat menjadi 95%. Selain itu, jumlah fitur yang digunakan dalam model dapat dikurangi dari 52.312 menjadi 2.000 fitur tanpa kehilangan akurasi yang signifikan. Kombinasi SVM dan Feature Selection Chi-Square menjadi solusi yang efisien dan akura. Penerapan metode ini diharapkan dapat memberikan landasan bagi penelitian lebih lanjut dalam analisis sentimen berbasis Machine Learning.

Kata Kunci: Analisis Sentimen, Feature Selection Chi-Square, Support Vector Machine, Random Forest, XGBoost