ANALISIS SENTIMEN REVIEW APLIKASI SATU SEHAT MOBILE MENGGUNAKAN MODEL SAMPLING TOMEK LINKS
Article Sidebar
Read Counter : 155
Download : 83
Main Article Content
Ida Ayu Mirah Cahya Dewi
I Komang Dharmendra
Ni Wayan Setiasih
Abstract
Penelitian ini fokus pada analisis sentimen dalam teks, khususnya terkait opini pengguna Aplikasi Satu Sehat Mobile di Indonesia. Analisis sentimen berguna untuk memahami emosi yang terungkap dalam opini pengguna terhadap layanan. Metode kuantitatif dan kualitatif digunakan untuk menganalisis teks, dengan teknik statistik dan pendekatan interpretatif. Aplikasi Satu Sehat Mobile membantu akses kesehatan dengan informasi penyakit, klinik terdekat, dan layanan reservasi online. Kondisi data tidak seimbang dapat memengaruhi analisis sentimen, menghasilkan bias dalam model. Solusinya adalah menggunakan metode sampling seperti Tomek Links untuk seimbangkan data. Model algoritma Random Forest, Neural Network, KNN, dan SVM dibangun dan dievaluasi dengan metrik akurasi, presisi, recall, dan F1-Score untuk analisis sentimen yang lebih tepat, khususnya pada data tidak seimbang dari opini pengguna Aplikasi Satu Sehat Mobile. Dimana evaluasi performa dilakukan pada data tanpa dan dengan model sampling. Penggunaan SVM menghasilkan akurasi tertinggi tanpa sampling (80,528%), karena fokus pada margin. Namun, Random Forest memiliki Precision, Recall, dan F1-Score lebih unggul untuk kelas minoritas. Dalam skenario model sampling, semua model mengalami peningkatan akurasi, terutama SVM dengan peningkatan 0,489%. Penerapan metode sampling Tomek Links memperbaiki evaluasi matriks dan mengatasi ketidakseimbangan kelas. Model sampling juga mengurangi waktu proses dengan ukuran dataset yang lebih kecil setelah penghapusan instance. Metode ini efektif mengatasi masalah ketidakseimbangan dataset, meningkatkan kinerja model, dan mengurangi waktu proses.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
References
K. Dharmendra, K. O. Saputra, and I. N. Pramaita, ‘Analisa Sentiment Untuk Opini Alumni Perguruan Tinggi’, Maj. Ilm. Teknol. Elektro, vol. 18, no. 2, pp. xxxx–xxxx, Jul. 2019, doi: 10.24843/mite.2019.v18i02.p11.
I. K. Dharmendra, N. N. U. Januhari, I. P. Ramayasa, and I. M. A. W. Putra, ‘Uji Komparasi Sentiment Analysis Pada Opini Alumni Terhadap Perguruan Tinggi’, J. Tek. Inform. UNIKA St. Thomas, pp. 1–6, May 2022, doi: 10.54367/jtiust.v7i1.1748.
A. Nurhopipah and C. Magnolia, ‘PERBANDINGAN METODE RESAMPLING PADA IMBALANCED DATASET UNTUK KLASIFIKASI KOMENTAR PROGRAM MBKM’, J. Publ. Ilmu Komput. Dan Multimed., vol. 2, no. 1, Art. no. 1, Jan. 2023, doi: 10.55606/jupikom.v2i1.862.
‘SATUSEHAT Mobile - Apps on Google Play’. Accessed: Apr. 29, 2023. [Online]. Available: https://play.google.com/store/apps/details?id=com.telkom.tracencare&hl=en_US
H. Utami, ‘Analisis Sentimen dari Aplikasi Shopee Indonesia Menggunakan Metode Recurrent Neural Network’, Indones. J. Appl. Stat., vol. 5, no. 1, Art. no. 1, May 2022, doi: 10.13057/ijas.v5i1.56825.
S. M. Chamzah, M. Lestandy, N. Kasan, and A. Nugraha, ‘Penerapan Synthetic Minority Oversampling Technique (SMOTE) untuk Imbalance Class pada Data Text Menggunakan kNN’, Syntax J. Inform., vol. 11, no. 02, Art. no. 02, Nov. 2022, doi: 10.35706/syji.v11i02.6940.
C. Padurariu and M. E. Breaban, ‘Dealing with Data Imbalance in Text Classification’, Procedia Comput. Sci., vol. 159, pp. 736–745, Jan. 2019, doi: 10.1016/j.procs.2019.09.229.
F. Abdulloh, A. Aminuddin, M. Rahardi, and S. Anggita, ‘Observation of Imbalance Tracer Study Data for Graduates Employability Prediction in Indonesia’, Int. J. Adv. Comput. Sci. Appl., vol. 13, pp. 169–174, Sep. 2022, doi: 10.14569/IJACSA.2022.0130820.
E. F. Swana, W. Doorsamy, and P. Bokoro, ‘Tomek Link and SMOTE Approaches for Machine Fault Classification with an Imbalanced Dataset’, Sensors, vol. 22, no. 9, Art. no. 9, Jan. 2022, doi: 10.3390/s22093246.
B. B. Baskoro, I. Susanto, and S. Khomsah, ‘Analisis Sentimen Pelanggan Hotel di Purwokerto Menggunakan Metode Random Forest dan TF-IDF (Studi Kasus: Ulasan Pelanggan Pada Situs TRIPADVISOR)’, INISTA J. Inform. Inf. Syst. Softw. Eng. Appl., vol. 3, no. 2, Art. no. 2, Jun. 2021, doi: 10.20895/inista.v3i2.218.
A. Onan, ‘Sentiment analysis on product reviews based on weighted word embeddings and deep neural networks’, Concurr. Comput. Pract. Exp., vol. 33, no. 23, p. e5909, 2021, doi: 10.1002/cpe.5909.
F. M. J. Mehedi Shamrat et al., ‘Sentiment analysis on twitter tweets about COVID-19 vaccines usi ng NLP and supervised KNN classification algorithm’, Indones. J. Electr. Eng. Comput. Sci., vol. 23, no. 1, p. 463, Jul. 2021, doi: 10.11591/ijeecs.v23.i1.pp463-470.
E. M. O. N. Haryanto, A. K. A. Estetikha, and R. A. Setiawan, ‘IMPLEMENTASI SMOTE UNTUK MENGATASI IMBALANCED DATA PADA SENTIMEN ANALISIS SENTIMEN HOTEL DI NUSA TENGGARA BARAT DENGAN MENGGUNAKAN ALGORITMA SVM’, Inf. Interaktif, vol. 7, no. 1, Art. no. 1, Jan. 2022.
I. K. Dharmendra, I. G. N. A. Kusuma, I. A. M. C. Dewi, and Edwar, ‘IMPLEMENTASI TEXT MINING UNTUK KLASIFIKASI OPINI ALUMNI PADA PERGURUAN TINGGI’, J. Teknol. Inf. Dan Komput., vol. 9, no. 3, Art. no. 3, Jul. 2023, Accessed: Aug. 18, 2023. [Online]. Available: https://jurnal.undhirabali.ac.id/index.php/jutik/article/view/2504 [15] E. Rendón, R. Alejo, C. Castorena, F. J. Isidro-Ortega, and E. E. Granda-Gutiérrez, ‘Data Sampling Methods to Deal With the Big Data Multi-Class Imbalance Problem’, Appl. Sci., vol. 10, no. 4, Art. no. 4, Jan. 2020, doi: 10.3390/app10041276.