UMBUMB

Jurnal Ilmiah FIFOJurnal Ilmiah FIFO

Penggunaan aplikasi pembelajaran matematika seperti Photomath terus meningkat, namun kajian terkait sentimen pengguna, khususnya dalam bahasa Indonesia, masih terbatas. Penelitian ini bertujuan untuk mengklasifikasikan sentimen ulasan pengguna serta membandingkan kinerja algoritma Naïve Bayes, K-Nearest Neighbor (KNN), dan Support Vector Machine (SVM). Tahapan penelitian diawali dengan prapemrosesan teks, Setelah itu, data diproses melalui ekstraksi fitur menggunakan metode Term Frequency–Inverse Document Frequency (TF-IDF). Dataset yang digunakan terdiri dari 42.672 ulasan pengguna Photomath yang diperoleh melalui teknik web scraping dari Google Play Store dan diseleksi menggunakan purposive sampling. Data kemudian diberi label sentimen, yaitu positif, netral, dan negatif berdasarkan nilai rating. Berdasarkan penelitian, KNN mencatat akurasi 86,61%. Namun, kinerjanya pada kelas netral dan negatif masih belum optimal karena data yang tidak seimbang. Meskipun SMOTE dapat meningkatkan recall, akurasi justru menurun. Sebaliknya, SVM terbukti sebagai algoritma terbaik dengan akurasi 88,94% dan F1-score makro tertinggi. Temuan ini menegaskan bahwa pemilihan algoritma dan strategi data tidak seimbang sangat berpengaruh terhadap performa klasifikasi sentimen.

Penelitian ini berhasil menerapkan metode K-Nearest Neighbor (KNN) untuk mengklasifikasikan sentimen 42.Model dengan parameter k = 9 menghasilkan akurasi sebesar 86,61%, dengan performa sangat baik pada sentimen positif (F1-score 0,93), namun masih rendah pada sentimen netral dan negatif akibat ketidakseimbangan data.Penerapan SMOTE mampu meningkatkan kemampuan model dalam mengenali kelas minoritas, yang ditunjukkan oleh peningkatan recall, meskipun akurasi keseluruhan menurun.Hal ini menunjukkan adanya trade-off antara akurasi dan keseimbangan performa model.Hasil perbandingan menunjukkan bahwa metode SVM memberikan performa terbaik dibandingkan KNN dan Naïve Bayes, baik dari sisi akurasi maupun F1-score macro.Dengan demikian, pemilihan metode yang tepat serta penanganan data tidak seimbang menjadi faktor penting dalam meningkatkan kinerja klasifikasi sentimen.

Untuk penelitian lanjutan, dapat dilakukan analisis lebih mendalam mengenai pengaruh ketidakseimbangan data pada performa metode KNN, serta mengembangkan strategi penyeimbangan data yang lebih optimal. Selain itu, dapat juga dieksplorasi penggunaan teknik-teknik pengolahan bahasa alami (NLP) yang lebih canggih, seperti Word2Vec atau BERT, untuk meningkatkan akurasi klasifikasi sentimen. Terakhir, penelitian dapat diperluas dengan membandingkan performa berbagai algoritma lain, seperti Random Forest atau Gradient Boosting, dalam mengklasifikasikan sentimen ulasan aplikasi Photomath.

  1. Optimization of the K-Nearest Neighbors (KNN) Algorithm in Imbalanced Dataset Classification Using the... doi.org/10.59934/jaiea.v4i2.756Optimization of the K Nearest Neighbors KNN Algorithm in Imbalanced Dataset Classification Using the doi 10 59934 jaiea v4i2 756
  2. A Optimizing Word2Vec Dimensions for Sentiment Analysis of Photomath Reviews using Random Forest and... ejurnal.seminar-id.com/index.php/bits/article/view/6616A Optimizing Word2Vec Dimensions for Sentiment Analysis of Photomath Reviews using Random Forest and ejurnal seminar id index php bits article view 6616
  3. Komparasi Metode Naive Bayes dan K-Nearest Neighbors Terhadap Analisis Sentimen Pengguna Aplikasi Zenius... ejournal.unama.ac.id/index.php/processor/article/view/1596Komparasi Metode Naive Bayes dan K Nearest Neighbors Terhadap Analisis Sentimen Pengguna Aplikasi Zenius ejournal unama ac index php processor article view 1596
  4. Client Challenge. client challenge javascript disabled browser please enable proceed required part site... journalofbigdata.springeropen.com/articles/10.1186/s40537-025-01137-2Client Challenge client challenge javascript disabled browser please enable proceed required part site journalofbigdata springeropen articles 10 1186 s40537 025 01137 2
Read online
File size2.43 MB
Pages11
DMCAReport

Related /

ads-block-test