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

Arman Ramadhani, Riska Aryanti, Sarifah Agustiani — Tue, 31 Mar 2026 00:00:00 +0700

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.

Analisis dan Peramalan Intensitas Curah Hujan di DKI Jakarta Menggunakan Model ARIMA

Sandi Badiwibowo Atim, Muhammad Afdhaluddin — Tue, 31 Mar 2026 00:00:00 +0700

Permasalahan curah hujan ekstrem dan dampaknya terhadap sistem perkotaan di DKI Jakarta merupakan isu strategis nasional yang memerlukan penanganan serius hingga tahun 2026. Penelitian ini bertujuan untuk melakukan analisis dan peramalan intensitas curah hujan di DKI Jakarta menggunakan model AutoRegressive Integrated Moving Average (ARIMA) guna mendukung mitigasi risiko banjir dan genangan. Data yang digunakan mencakup periode 2024–2026 yang diolah secara sistematis menggunakan bahasa pemrograman Python. Tahapan metodologi meliputi pra-pemrosesan data melalui agregasi harian, penanganan nilai hilang dengan interpolasi linier, serta identifikasi outlier menggunakan metode Interquartile Range (IQR). Hasil pengujian Augmented Dickey-Fuller (ADF) menunjukkan bahwa data telah bersifat stasioner pada tingkat level (p-value < 0,05). Berdasarkan evaluasi parameter, ARIMA(2,0,1) ditetapkan sebagai model optimal dengan nilai Akaike Information Criterion (AIC) terendah sebesar 745,752. Peramalan untuk horizon 14 hari ke depan menunjukkan pola intensitas yang stabil pada rentang 0,30 mm hingga 0,35 mm. Penelitian ini memiliki signifikansi ilmiah dalam menangkap pola temporal dan tren masa lalu sebagai instrumen pendukung pengambilan keputusan strategis bagi wilayah perkotaan dengan kerentanan hidrometeorologi tinggi.

Journal of Artificial Intelligence and Technology Information (JAITI)

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

Analisis dan Peramalan Intensitas Curah Hujan di DKI Jakarta Menggunakan Model ARIMA