<![CDATA[Aplikasi Jakarta Kini (JAKI) merupakan platform layanan publik digital terintegrasi yang dikembangkan oleh Pemerintah Provinsi DKI Jakarta sebagai wujud implementasi konsep smart city. Dengan lebih dari satu juta pengguna, ulasanyang diterima melalui Google Play Store menjadi sumber data penting untuk mengevaluasi kualitas layanan, namun proses pelabelan sentimen secara manual dinilai tidak efisien dan sulit diskalakan. Penelitian ini bertujuan untuk mengukur dan mengevaluasi kinerja algoritma Logistic Regression yang dikombinasikan dengan metode pembobotan Term Frequency-Inverse Document Frequency (TFIDF) dalam mengklasifikasikan sentimen ulasan pengguna JAKI ke dalam tiga kelas, yaitu positif, negatif, dan netral. Dataset yang digunakan berjumlah 3.737 ulasan yang diperoleh dari Jakarta Smart City. Tahapan penelitian meliputi prapemrosesan teks, ekstraksi fitur menggunakan TF-IDF, pembagian data dengan rasio 80:20, serta klasifikasi menggunakan strategi multikelas One-vs-Rest (OvR) dan One-vs-One (OvO). Selain itu, dilakukan augmentasi data menggunakan Large Language Model dan relabeling otomatis menggunakan TextBlob untuk mengatasi ketidakseimbangan kelas. Evaluasi dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-Score. Hasil penelitian menunjukkan bahwa model mencapai akurasi tertinggi sebesar 79,14% pada strategi OvO tanpa augmentasi dengan learning rate 0,8. Augmentasi data terbukti efektif meningkatkan kemampuan deteksi kelas Netral dengan peningkatan F1-Score dari 0,00 menjadi 0,09, sementara relabeling TextBlob meningkatkan F1-Score kelas Netral hingga 0,43 meskipun menurunkan akurasi total menjadi 66,31%. Kesimpulan penelitian ini menunjukkan bahwa terdapat trade-off antara akurasi keseluruhan dan kemampuan mendeteksi kelas minoritas, serta kualitas dan konsistensi label berperan penting terhadap performa model klasifikasi sentimen]]>
Copyrights © 2026
