SMOTE untuk Meningkatkan Performa Naïve Bayes dan Random Forest dalam Analis Sentimen aplikasi Digitalent

Analisis sentimen sangat penting untuk memahami bagaimana suatu aplikasi, seperti aplikasi pelatihan digital seperti Digitalent, dilihat oleh pengguna. Ulasan pengguna yang tersedia di platform distribusi aplikasi memberikan data yang cukup untuk analisis ini. Namun, dalam analisis sentimen, ketidakseimbangan data menjadi masalah umum; ulasan positif cenderung lebih banyak dibandingkan dengan ulasan negatif dan netral. Ketidakseimbangan ini dapat berdampak pada model pembelajaran mesin, yang dapat menyebabkan prediksi yang tidak akurat terhadap kelas mayoritas. Tujuan penelitian ini adalah untuk memecahkan masalah ini dengan menggunakan teknik SMOTE dalam analisis sentimen ulasan aplikasi Digitalent dan membandingkan kinerja dua algoritma pembelajaran mesin, Naive Bayes dan Random Forest. Data penelitian dikumpulkan dari ulasan pengguna berbahasa Indonesia dari platform Digitalent. Sebelum diproses untuk analisis, data melalui proses pra-pemrosesan seperti pembersihan, tokenisasi, dan normalisasi. Teknik SMOTE diterapkan untuk menyeimbangkan jumlah ulasan untuk setiap kelas sentimen. Selanjutnya, algoritma Naive Bayes dan Random Forest digunakan untuk mengkategorikan sentimen. Hasil penelitian penerapan SMOTE berhasil meningkatkan proporsi kelas negatif dan netral, sehingga distribusi dataset menjadi seimbang. Hasil pengujian menunjukkan bahwa akurasi Naïve Bayes meningkat dari 68,25% menjadi 92,16%, sementara Random Forest meningkat dari 80,16% menjadi 92,12%. Meskipun Naïve Bayes mengalami peningkatan yang lebih besar, Random Forest tetap lebih akurat secara keseluruhan. Penerapan SMOTE terbukti efektif dalam meningkatkan kinerja kedua algoritma dalam klasifikasi data tidak seimbang