Optimasi Multinomial Naive Bayes untuk Klasifikasi Rating Tokopedia

Abstrak

Analisis sentimen pada ulasan e-commerce menghadapi tantangan berupa penggunaan bahasa informal (slang) dan ketidakseimbangan kelas yang dapat menurunkan kinerja model klasifikasi. Penelitian ini bertujuan mengoptimalkan algoritma Multinomial Naive Bayes untuk mengklasifikasikan ulasan Tokopedia ke dalam lima kelas rating ordinal. Pendekatan yang diterapkan mengintegrasikan normalisasi slang berbasis leksikon hibrida, representasi fitur TF-IDF n-gram, penyeimbangan data menggunakan Synthetic Minority Over-sampling Technique (SMOTE), dan optimasi hyperparameter. Evaluasi dilakukan menggunakan Stratified 10-Fold Cross Validation pada 37.146 ulasan valid. Hasil penelitian menunjukkan bahwa pendekatan yang diusulkan meningkatkan nilai rata-rata Macro F1-Score sebesar 102,42%, dari 0,1704 menjadi 0,3450, dengan akurasi sebesar 58%. Peningkatan tersebut menunjukkan bahwa kombinasi normalisasi slang, TF-IDF n-gram, SMOTE, dan optimasi hyperparameter mampu meningkatkan kemampuan model dalam mengenali kelas minoritas pada data ulasan yang tidak seimbang.

Kata Kunci - Analisis Sentimen, Multinomial Naive Bayes, SMOTE, TF-IDF n-gram, Tokopedia