<![CDATA[Ketimpangan distribusi kelas yang ekstrem pada data ulasan pelanggan menjadi tantangan utama yang memicu bias prediksi pada model pembelajaran mesin. Penelitian ini bertujuan untuk menguji efektivitas penanganan extreme class imbalance pada ulasan penyedia jasa internet menggunakan pendekatan Synthetic Minority Over-sampling Technique (SMOTE) yang dikombinasikan dengan algoritma Random Forest dan Support Vector Machine (SVM). Dataset berjumlah 699 rekaman ulasan diolah melalui rangkaian pra-pemrosesan teks, ekstraksi fitur Term Frequency-Inverse Document Frequency (TF-IDF), serta diuji menggunakan skema Cross Validation. Hasil evaluasi memperlihatkan bahwa kombinasi SMOTE dan SVM mencatatkan akurasi sebesar 91,56%, nilai Area Under Curve (AUC) 0,769, presisi kelas positif 100,00%, dan recall kelas positif sebesar 4,84%. Di sisi lain, skema SMOTE dan Random Forest memperoleh akurasi 91,13%, nilai AUC 0,740, serta presisi dan recall kelas positif sebesar 0,00%. Penelitian ini menyimpulkan bahwa batas pemisah linier pada SVM lebih responsif memanfaatkan sampel sintetis SMOTE dalam ruang fitur berdimensi tinggi, serta mengonfirmasi bahwa kedua algoritma memiliki kecenderungan prediktif yang dominan dalam mengenali sampel kelas mayoritas.]]>
Copyrights © 2026
