PENERAPAN ALGORITMA NAÏVE BAYES DENGAN TEKNIK SMOTE UNTUK KLASIFIKASI SENTIMEN KURSUS ONLINE SKILL ACADEMY

Pesatnya perkembangan pembelajaran berbasis daring telah mendorong kemunculan berbagai platform kursus online, salah satunya adalah Skill Academy. Namun, tidak semua kursus berhasil mempertahankan keterlibatkan peserta, salah satunya akibat perbedaan antara ekspektasi pengguna dan kualiatas materi yang disajikan. Penelitian ini bertujuan untuk mengklasifikasikan sentimen pengguna terhadap judul kursus dengan memanfaatkan algoritma Multinomial Naïve Bayes serta teknik SMOTE (Synthetic Minority Oversampling Technique) guna mengatasi ketimpangan distribusi kelas. Data diperoleh melalui proses web scraping dari lima halaman utama kursus publik yang mencakup informasi judul, harga, rating, jumlah rater, tanggal rilis, serta kategori topik. Label sentimen ditentukan berdasarkan nilai rating ≥ 4.0 dikategorikan sebagai sentimen positif dan < 4.0 sebagai sentimen negatif. Proses ekstraksi fitur teks dilakukan menggunakan metode TF-IDF. Pengujian menunjukkan bahwa model yang dibangun tanpa penerapan SMOTE mampu mencapai tingkat akurasi sebesar 89,36%, namun belum dapat mengidentifikasi kelas negatif, yang tercermin dari nilai recall sebesar 0%. Setelah SMOTE diterapkan pada data latih, kemampuan model dalam mengenali sentimen negatif mengalami peningkatan yang cukup nyata dengan nilai recall mencapai 64%, meskipun pada beberapa skenario pengujian terjadi sedikit penurunan akurasi. Peningkatan nilai recall ini menjadi temuan penting dalam penelitian karena menunjukkan bahwa model berhasil mendeteksi sentimen negatif yang sebelumnya tidak terdeteksi. Temuan ini menegaskan bahwa penerapan SMOTE mampu mengatasi ketimpangan kelas secara efektif dan memiliki potensi besar untuk memperkuat kinerja analisis sentimen terhadap teks pendek pada platform pembelajaran daring.