Imbalanced class menjadi salah satu tantangan utama dalam melakukan analisis sentimen, khususnya antara ulasan positif dan negatif yang dapat menyebabkan bias prediksi. Penelitian ini bertujuan untuk mengetahui lebih lanjut apakah permasalahan imbalanced class pada algoritma K-Nearest Neighbors (KNN) dapat diatasi dengan menggunakan SMOTE (Synthetic Minority Over-sampling Technique) pada analisis sentimen terhadap layanan Starlink. SMOTE akan digunakan untuk menciptakan sampel sintetis dari kelas minoritas untuk mengatasi ketidakseimbangan data. Hasil penelitian menunjukkan bahwa sebelum menggunakan SMOTE performa model KNN menghasilkan 69,97% (Accuracy), 68,47% (Precission), 64,99% (Recall), 65,41% (F1-Score). Namun, setelah menggunakan SMOTE performa model KNN mengalami peningkatan menjadi 76,74% (Accuracy), 79,15% (Precission), 75,91% (Recall), 75,82% (F1-Score). Dengan peningkatan ini, dapat disimpulkan bahwa kombinasi antara algoritma KNN dan SMOTE berhasil meningkatkan akurasi dan keandalan model KNN dalam mengatasi imbalanced class pada analisis sentimen terhadap layanan Starlink.
Copyrights © 2024