<![CDATA[Pertumbuhan pesat e-commerce menghasilkan volume ulasan pelanggan yang sangat besar dan tidak terstruktur, sehingga analisis manual menjadi tidak efisien. Penelitian ini bertujuan menerapkan algoritma Random Forest berbasis TF-IDF untuk meningkatkan akurasi deteksi sentimen ulasan produk e-commerce secara otomatis. Dataset yang digunakan merupakan Amazon Product Reviews dengan total 20.000 data yang dipilih secara stratified, terdiri dari dua kelas sentimen utama yaitu positif dan negatif. Permasalahan utama yang dihadapi adalah ketidakseimbangan data, di mana ulasan positif jauh lebih dominan sehingga menurunkan kemampuan model dalam mengenali ulasan negatif. Untuk mengatasi hal tersebut, penelitian ini menerapkan tahapan preprocessing, ekstraksi fitur TF-IDF, penyeimbangan data menggunakan SMOTE, serta optimasi model melalui hyperparameter tuning dan Stratified Cross Validation. Hasil percobaan menunjukkan bahwa model awal (tanpa SMOTE dan tuning) hanya mampu mencapai recall kelas negatif sebesar 0,20, meskipun akurasinya relatif tinggi. Setelah penerapan SMOTE dan optimasi parameter, performa model meningkat secara signifikan dengan akurasi 86,87% dan recall kelas negatif naik drastis menjadi 0,83, serta nilai ROC-AUC meningkat hingga 0,89. Analisis feature importance dan WordCloud juga memperlihatkan bahwa model dapat mengenali kata-kata yang menjadi indikator kuat sentimen pelanggan. Dengan demikian, metode yang diusulkan terbukti efektif dalam meningkatkan kualitas klasifikasi sentimen dan dapat menjadi dasar pengembangan sistem analisis opini pada platform e-commerce.]]>
Copyrights © 2025
