<![CDATA[Analisis sentimen menggunakan machine learning penting untuk memahami persepsi publik terhadap layanan bandara. Renovasi Bandara Sultan Hasanuddin Makassar bertujuan meningkatkan kapasitas dan kenyamanan, namun tanggapan masyarakat terkait perubahan ini beragam. Penelitian ini membandingkan efektivitas tiga algoritma machine learning—Naive Bayes Multinomial, Support Vector Machine (SVM), dan Random Forest—dalam menganalisis sentimen ulasan pengguna terkait renovasi Bandara Sultan Hasanuddin di Makassar. Penelitian ini juga menerapkan teknik pemisahan data dan preprocessing teks menggunakan Google Colab dengan pemrograman berbasis Python, termasuk pembersihan data, stemming dengan Sastrawi, penghilangan stopword, dan ekstraksi fitur menggunakan metode TF-IDF dengan Unigram dan Bigram. Untuk mengatasi ketidakseimbangan kelas pada dataset, diterapkan teknik SMOTE. Data ulasan yang digunakan diambil dari Google Maps selama satu tahun terakhir. Hasil penelitian menunjukkan bahwa SVM dengan kernel linear memberikan performa terbaik dengan F1-score 92,3%, diikuti oleh Naive Bayes 83,7% dan Random Forest 81,9%. Unigram lebih efektif dibandingkan Bigram dalam ekstraksi fitur, dan SMOTE meningkatkan kinerja Naive Bayes pada dataset yang tidak seimbang, namun tidak berpengaruh signifikan pada SVM. Temuan ini memberikan rekomendasi untuk peningkatan layanan di Bandara Sultan Hasanuddin, seperti fasilitas kebersihan dan kenyamanan ruang tunggu.]]>
Copyrights © 2025
