Publisher

PNCPNC

Journal InfotekmesinInfotekmesin Abstract

Saat ini aktivitas jual beli telah banyak dilakukan pada layanan e-commerce. Tingginya pengguna e-commerce menjadi faktor utama dalam meningkatkan kualitas layanan e-commerce. Salah satu faktor peningkatan kualitas layanan e-commerce adalah ulasan pelanggan. Ulasan pelanggan berguna bagi pemilik toko untuk mengetahui produk yang ditawarkan memiliki ulasan positif atau negatif. Masalah utama adalah jumlah ulasan pelanggan yang banyak menjadi kendala pemilik toko dalam melakukan klasifikasi ulasan pelanggan. Penelitian ini mengusulkan klasifikasi ulasan pelanggan menggunakan pembelajaran ensemble dengan teknik boosting yaitu XGBoost, AdaBoost, Gradient Boosting dan LightGBM. Teknik yang diusulkan ditujukan untuk meningkatkan performa algoritma. Pada skenario uji, teknik majority voting digunakan untuk menghasilkan performa terbaik dari masing‑masing algoritma. Hasil menunjukkan bahwa algoritma XGBoost menghasilkan akurasi lebih tinggi dari teknik boosting lainnya yaitu sebesar 92.30%. Pada analisis matriks evaluasi presisi, recall, dan F1‑Score XGBoost menghasilkan nilai true positif lebih tinggi dibandingkan teknik lainnya seperti AdaBoost, Gradient Boosting dan Light GBM.

Conclusion

Berdasarkan hasil pengujian model dan analisis confusion matrix, algoritma XGBoost menunjukkan akurasi tertinggi sebesar 92,30% dibandingkan AdaBoost, Gradient Boosting, dan LightGBM.Performanya dipengaruhi oleh pengaturan hyperparameter seperti n_estimator, learning_rate, dan max_depth, yang menunjukkan kemampuan teknik boosting dalam menangani ulasan pelanggan yang beragam.Penelitian selanjutnya disarankan untuk meningkatkan teknik boosting pada AdaBoost dan Gradient Boosting, misalnya dengan penerapan upsampling untuk menyeimbangkan dataset.

Future Research

Penelitian selanjutnya dapat mengeksplorasi pengaruh penerapan teknik augmentasi data lanjutan, seperti sinonim penggantian atau terjemahan balik, terhadap peningkatan akurasi AdaBoost pada dataset ulasan e-commerce yang tidak seimbang, sehingga model dapat belajar dari variasi teks yang lebih kaya. Selain itu, studi dapat mengembangkan model ensemble hibrida yang menggabungkan boosting dengan bagging, misalnya melalui stacking XGBoost dan Random Forest, untuk meningkatkan tingkat true positive pada klasifikasi Gradient Boosting, sehingga memperbaiki keseimbangan prediksi antara kelas positif dan negatif. Selanjutnya, penelitian dapat menilai manfaat integrasi representasi semantik mendalam, seperti embedding BERT, ke dalam kerangka ensemble, dengan tujuan mengurangi kesenjangan antara true negative dan true positive pada semua algoritma boosting, sehingga menghasilkan sistem klasifikasi ulasan yang lebih akurat dan robust.

References

1. Fashion Product Classification through Deep Learning and Computer Vision. fashion product deep learning... doi.org/10.3390/app9071385Fashion Product Classification through Deep Learning and Computer Vision fashion product deep learning doi 10 3390 app9071385
2. Klasifikasi Ulasan Konsumen Menggunakan Random Forest dan SMOTE | Journal of System and Computer Engineering.... doi.org/10.61628/jsce.v5i1.1061Klasifikasi Ulasan Konsumen Menggunakan Random Forest dan SMOTE Journal of System and Computer Engineering doi 10 61628 jsce v5i1 1061

Metadata

File size	319.2 KB
Pages	7
DMCA	Report