Claim Missing Document
Check
Articles

Found 1 Documents
Search

Comparative Analysis of Machine Learning Algorithms for Sentiment Classification on Restaurant Reviews Using TF-IDF Feature Extraction Ronald Manela Putra Jaya
Jurnal Borneo Informatika dan Teknik Komputer Vol 6, No 1 (2026): Edisi April - September
Publisher : Jurusan Teknik Komputer, Fakultas Teknik, Universitas Borneo Tarakan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35334/jbit.v6i1.7586

Abstract

Pertumbuhan pesat platform ulasan restoran daring telah menghasilkan volume umpan balik tekstual yang besar dari pengguna, yang merangkum beragam opini pelanggan mengenai kualitas makanan, pelayanan, dan pengalaman bersantap secara keseluruhan. Penelitian ini melakukan analisis komparatif terhadap empat algoritme klasifikasi machine learning terawasi Logistic Regression, Naïve Bayes, Random Forest, dan Support Vector Machine (SVM) untuk klasifikasi sentimen multikelas pada ulasan restoran. Dataset yang terdiri dari 10.000 ulasan pelanggan dikumpulkan, dan setelah pembersihan data, 9.948 ulasan dipertahankan serta dikategorikan ke dalam tiga kelas sentimen negatif, netral, dan positif berdasarkan rating numeriknya. Data tekstual melalui pipeline praproses sistematis yang terdiri dari case folding, penghapusan tanda baca dan angka, penghapusan stopword, dan stemming, dilanjutkan dengan pembobotan Term Frequency Inverse Document Frequency (TF-IDF) dan seleksi fitur berbasis varians. Dataset dibagi dengan rasio 80:20, dan kinerja model dievaluasi menggunakan Accuracy, Precision, Recall, dan F1-score rata-rata makro. Hasil penelitian menunjukkan bahwa Random Forest memperoleh akurasi keseluruhan tertinggi, sedangkan SVM memperoleh F1-score makro tertinggi, yang menunjukkan bahwa akurasi saja dapat menyesatkan pada dataset yang tidak seimbang. Temuan ini menegaskan pentingnya pemilihan metrik evaluasi dan algoritma yang tepat dalam menangani tugas klasifikasi sentimen yang tidak seimbang pada domain ulasan restoran.