<![CDATA[Klasifikasi sentimen ulasan e-commerce memerlukan data berlabel, sementara anotasi manual dalam jumlah besar membutuhkan waktu dan sumber daya yang tinggi. Penelitian ini mengevaluasi pemanfaatan respons customer service sebagai sumber weak supervision untuk membentuk label sentimen pada ulasan pengguna Shopee. Dataset awal berjumlah 485.320 baris; setelah seleksi, preprocessing, dan deduplikasi, penelitian ini menyisakan 264.230 ulasan unik. Penelitian ini membentuk weak label menggunakan labeling functions berbasis pola linguistik pada replyContent, lalu merepresentasikan comment_text dengan TF-IDF dan mengklasifikasikannya menggunakan Linear Support Vector Machine (SVM). Penelitian ini memvalidasi kualitas weak label melalui human test natural dan berstrata. Sebanyak 250.583 ulasan memperoleh label biner (coverage 94,84%). Pada human test natural, presisi kelas negatif dan positif masing-masing mencapai 1,000 dan 0,985, sedangkan pada skema berstrata mencapai 0,979 dan 0,983. Linear SVM mencatatkan macro-F1 sebesar 0,974 pada skema natural dan 0,973 pada skema berstrata. Performa SVM juga tetap stabil pada pengujian exact reply string holdout. Respons customer service berpotensi menjadi sumber weak supervision yang efektif untuk mengurangi ketergantungan pada anotasi manual.]]>
Copyrights © 2026
