PENERAPAN OVERSAMPLING METHODS UNTUK MENGATASI IMBALANCED DATA PADA KLASIFIKASI SENTIMEN

Penelitian terdahulu dalam klasifikasi sentimen terbatas pada skala dataset yang kecil dan kurang menyertakan perbandingan komprehensif antara berbagai metode oversampling. Ketidakseimbangan data (Imbalanced data) merupakan tantangan dalam analisis sentimen, dominasi kelas mayoritas menyebabkan model klasifikasi cenderung bias dan mengabaikan kelas minoritas. Penelitian ini bertujuan untuk meningkatkan algoritma klasifikasi dengan menerapkan tiga metode oversampling, yaitu Synthetic Minority Oversampling Technique (SMOTE), Borderline-SMOTE, dan Random Oversampling. Dataset yang digunakan terdiri dari 10.000 ulasan pengguna Tokopedia yang dikumpulkan melalui web scraping. Tiga algoritma klasifikasi Random Forest, Naïve Bayes, dan Support Vector Machine (SVM) digunakan dalam proses pelatihan model. Evaluasi kinerja dilakukan menggunakan metrik Accuracy, Precision, Recall, F1-Score, dan Area Under the Curve (AUC). Penelitian ini merupakan studi pertama yang melakukan komparasi tiga metode oversampling pada dataset besar (10.000 ulasan) dengan tiga algoritma berbeda dalam konteks e-commerce Indonesia. Hasil penelitian menunjukkan bahwa kombinasi SMOTE dan algoritma Naïve Bayes memberikan hasil yang stabil, dengan Accuracy sebesar 86,71%, Precision 80,43%, Recall 70,38%, F1-Score 75,07%, dan AUC 90,62%. Temuan ini membuktikan bahwa metode SMOTE secara efektif mampu meningkatkan kinerja klasifikasi.

Kata kunci: Analisis Sentimen, Imbalanced Data, Oversampling, Random Forest, Naïve Bayes, Support Vector Machine.