<![CDATA[Penelitian ini latarbelakangi oleh masalah evaluasi produk dan layanan menggunakan metode tradisional seperti survei, kuisioner dan wawancara yang sering menghasilkan analisis yang tidak konsisten dan tidak akurat. Salah satu pendekatan untuk mengatasi masalah tersebut adalah dengan menerapkan Teknik pembobotan Term Frequency-Inverse Document Frequency (TF-IDF) dan algoritma K-Nearest Neighbor untuk menganalisis ulasan pelanggan hotel dari situs TripAdvisor, yang dikategorikan menjadi 3 kelas sentimen yaitu netral, negatif dan positif menggunakan text mining. Algoritma K-Nearest Neighbor dipilih karena kemampuannya dalam komputasi yang efisien, mudah beradaptasi dengan berbagai data yang besar, serta relative rendah untuk kompleksitas algoritmanya. Hasil penelitian menunjukkan bahwa sistem ini mampu mengklasifikasikan ulasan hotel dengan tingkat akurasi yang optimal, mencapai 76% untuk data pelatihan dengan K=31, dan meningkatkan akurasi hingga 84% setelah melalui penerapan teknik random over-sampling untuk mengatasi imbalanced dataset]]>
Copyrights © 2024
