KOMPARASI METODE SVM DAN BILSTM PADA KLASIFIKASI SENTIMEN APLIKASI PLAY STORE DENGAN TEKNIK HYBRID IMBALANCE HANDLING

Abstract

Penelitian ini melakukan perbandingan kinerja model klasifikasi sentimen pada ulasan aplikasi Google Play Store, dengan fokus utama mengatasi tantangan ketidakseimbangan data. Masalah inti yang ditangani adalah distribusi data yang sangat miring (rasio Positif vs. Negatif ratio≈6:1). Metodologi yang digunakan menerapkan pendekatan komparatif hybrid, yang mengadu Support Vector Machine (SVM) dengan SMOTE (oversampling) melawan Bi-directional LSTM (BiLSTM) dengan Undersampling. Sebanyak 12.973 ulasan valid digunakan untuk pemodelan. Hasil evaluasi menunjukkan bahwa model BiLSTM + Undersampling memberikan kinerja keseluruhan yang superior, mencapai Akurasi 0.8882 dan F1-Score Weighted Avg 0.8940. Kinerja superior ini divalidasi lebih lanjut oleh F1-Score untuk kelas Negatif sebesar 0.6596 (lebih tinggi dari SVM), menunjukkan bahwa BiLSTM lebih efektif dalam mencapai akurasi klasifikasi yang seimbang untuk kelas minoritas. Studi ini menegaskan kemanjuran arsitektur deep learning yang stabil (BiLSTM) dikombinasikan dengan strategi sampling yang efisien (Undersampling) untuk data tekstual yang sangat tidak seimbang.