Optimasi Preprocessing dengan SMOTE pada TF-IDF dan LSTM Untuk Analisis Sentimen Ulasan Gopay

Abstract

Analisis sentimen pada ulasan aplikasi GoPay diperlukan untuk mengetahui tanggapan pengguna terhadap layanan yang digunakan. Ketidakseimbangan jumlah data pada kelas sentimen dapat menyebabkan model lebih dominan mempelajari kelas mayoritas sehingga kemampuan klasifikasi terhadap kelas tertentu menjadi kurang optimal. Penelitian ini bertujuan menerapkan Synthetic Minority Over-sampling Technique (SMOTE) serta mengevaluasi penggunaan Term Frequency-Inverse Document Frequency (TF-IDF) dan Long Short-Term Memory (LSTM) dalam meningkatkan kinerja klasifikasi sentimen ulasan GoPay. Evaluasi dilakukan menggunakan dataset GoPay App Reviews Bahasa Indonesia sebanyak 10.000 ulasan yang terdiri dari 7.000 ulasan positif dan 3.000 ulasan negatif. Tahapan penelitian meliputi preprocessing, pembagian data dengan perbandingan 80:20, penerapan SMOTE pada data training, pembentukan model, dan evaluasi menggunakan accuracy, precision, recall, dan F1-score. Pengujian dilakukan melalui tiga optimasi, yaitu TF-IDF + SMOTE, LSTM + SMOTE, serta TF-IDF + SMOTE + LSTM. Hasil validation internal menunjukkan akurasi masing-masing sebesar 98,62%, 98,38%, dan 98,56%. Model terbaik diperoleh pada TF-IDF + SMOTE dengan Logistic Regression dan menghasilkan accuracy sebesar 98,05% pada final testing. Model tersebut kemudian diimplementasikan dalam aplikasi web berbasis Streamlit untuk melakukan klasifikasi sentimen pada ulasan baru. Hasil penelitian menunjukkan bahwa penerapan SMOTE pada TF-IDF mampu menghasilkan kinerja klasifikasi yang tinggi dalam menganalisis sentimen ulasan GoPay.