IMPLEMENTASI SYNTHETIC MINORITY OVER-SAMPLING TECHNIQUE PADA OPINI PELANGGAN TOKOPEDIA MENGGUNAKAN K-NEAREST NEIGHBOR DAN DECISION TREE

Diwani, Ammar Kanz (2024) IMPLEMENTASI SYNTHETIC MINORITY OVER-SAMPLING TECHNIQUE PADA OPINI PELANGGAN TOKOPEDIA MENGGUNAKAN K-NEAREST NEIGHBOR DAN DECISION TREE. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (233kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (813kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (483kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (656kB)
	Text (BAB V) BAB V.pdf Download (88kB)
	Text (DAFTAR PUSTAKA-LAMPIRAN) Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (162kB)
	Archive (SOURCE CODE) Sourcecode - 20.11.3435.zip Restricted to Repository staff only Download (123kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (755kB)

Abstract

Penelitian ini bertujuan untuk mengeksplorasi penggunaan metode KNearest Neighbors (KNN) dan Decision Tree dalam analisis sentimen pelanggan Tokopedia, dengan fokus pada penanganan distribusi kelas yang tidak seimbang menggunakan teknik oversampling, khususnya Synthetic Minority Over-sampling Technique (SMOTE). Dataset awal terdiri dari 4060 sampel dengan tiga kelas sentimen: positif (2903), netral (585), dan negatif (572). Dengan menerapkan SMOTE, distribusi kelas yang tidak seimbang diperbaiki sehingga masing-masing kelas memiliki 2903 instance. Hasil eksperimen menunjukkan bahwa penggunaan KNN dan Decision Tree setelah penerapan SMOTE menghasilkan peningkatan signifikan dalam akurasi dan metrik evaluasi seperti presisi, recall, dan F1-score untuk semua kelas. Akurasi KNN meningkat dari 70.2% menjadi 70.4% setelah SMOTE, sedangkan Decision Tree meningkat dari 71.2% menjadi 73.8%. Evaluasi tambahan dengan pembagian data training 80% dan testing 20% menunjukkan peningkatan konsisten dalam performa klasifikasi setelah SMOTE. Dalam konteks analisis sentimen pelanggan, temuan ini mengindikasikan bahwa SMOTE merupakan pendekatan yang efektif untuk meningkatkan performa algoritma klasifikasi dalam mengatasi masalah distribusi kelas yang tidak seimbang. Implikasinya, penggunaan teknik oversampling seperti SMOTE dapat diterapkan secara luas untuk meningkatkan akurasi dan ketepatan analisis sentimen berbasis data dalam berbagai konteks bisnis dan teknologi.

Actions (login required)

View Item