<![CDATA[Memahami dan mengklasifikasikan ulasan negatif menjadi penting bagi Tokopedia untuk meningkatkan kualitas layanan dan produknya. Namun, validitas ulasan negatif menjadi tantangan utama karena adanya kemungkinan ulasan palsu atau ulasan dengan motif tidak jujur. Penelitian ini bertujuan untuk memprediksi validitas ulasan negatif menggunakan metode supervised learning dengan tiga algoritma berbeda: Naive Bayes, Decision Tree, dan Random Forest. Metodologi penelitian melibatkan pengumpulan data ulasan negatif dari Google Play Store, text pre-processing, dan pengujian model dengan teknik k-fold cross-validation dengan 10-fold. Data diambil melalui proses scraping menghasilkan 498 ulasan negatif yang kemudian diproses dan diimbangi menggunakan metode SMOTE. Evaluasi dilakukan berdasarkan akurasi, presisi, recall, dan F1 Score. Hasil penelitian menunjukkan bahwa algoritma Random Forest memiliki performa terbaik dengan akurasi 77,42% dan AUC (Area Under Curve) sebesar 0,870, dibandingkan dengan Naive Bayes dan Decision Tree yang masing-masing mencapai akurasi 69,12% dan 73,21%. Implementasi model ini meningkatkan efisiensi proses moderasi ulasan, meningkatkan kepercayaan pengguna, dan memberikan umpan balik yang lebih akurat kepada penjual. Kesimpulannya, Random Forest efektif dalam memprediksi validitas ulasan negatif, memberikan solusi untuk meningkatkan kualitas layanan Tokopedia melalui teknologi supervised learning.]]>
Copyrights © 2024
