Optimasi Model Machine Learning Menggunakan Teknik SMOTE pada Analisis Sentimen Pengguna RedBus

Abstract

Perkembangan teknologi digital semakin memudahkan masyarakat dalam memenuhi kebutuhan transportasi, salah satunya melalui aplikasi pemesanan tiket bus seperti RedBus. Aplikasi ini menghadirkan layanan pemesanan secara praktis, namun ulasan pengguna yang semakin banyak di Google Play Store bersifat tidak terstruktur sehingga memerlukan analisis lebih lanjut untuk menilai kualitas layanan secara objektif. Penelitian ini bertujuan untuk mengklasifikasikan sentimen kepuasan pengguna aplikasi RedBus dengan memanfaatkan algoritma Naïve Bayes dan Random Forest. Untuk mengatasi masalah ketidakseimbangan data, digunakan teknik Synthetic Minority Over-sampling Technique (SMOTE). Data yang digunakan berjumlah 2.000 ulasan yang dikumpulkan melalui metode web scraping, kemudian diproses melalui tahapan preprocessing yang meliputi data cleaning, cleansing, case folding, tokenization, stopword, dan stemming. Selanjutnya, data diberi label kepuasan berdasarkan rating, lalu dikonversi menjadi fitur numerik dengan metode TF-IDF. Data dibagi menjadi 90% data latih dan 10% data uji agar dapat dievaluasi secara menyeluruh. Hasil pengujian menunjukkan bahwa algoritma Naïve Bayes menghasilkan akurasi 91%, precision 97%, recall 89%, dan F1-score 92%. Sementara itu, algoritma Random Forest memperoleh akurasi 90%, precision 94%, recall 90%, dan F1-score 92%. Keunggulan Naïve Bayes terlihat pada nilai precision yang tinggi, menunjukkan kemampuannya dalam meminimalkan kesalahan klasifikasi positif palsu. Kesimpulannya, penerapan Naïve Bayes dengan dukungan SMOTE dinilai lebih optimal dalam mengklasifikasikan sentimen ulasan, sehingga dapat menjadi masukan bagi pengembang RedBus dalam meningkatkan kualitas layanan dan kepuasan pengguna.