IMPLEMENTASI K – NEAREST NEIGHBOR DAN PENDEKATAN LEXICON BASED PADA ANALISIS SENTIMEN ULASAN PRODUK TRANSPORTASI UMUM (Studi Kasus: Aplikasi MyMRTJ)

Kemacetan lalu lintas di Jakarta mendorong pemerintah untuk meningkatkan efisiensi transportasi umum, salah satunya melalui pengoperasian MRT Jakarta. Sebagai layanan pendukung, aplikasi MyMRTJ dikembangkan untuk menyediakan informasi mengenai jadwal, rute, dan pemesanan tiket MRT. Namun, ulasan pengguna di Google Play Store masih belum tersusun dengan baik dan sulit untuk dipahami. Oleh karena itu, diperlukan analisis sentimen untuk memahami kecenderungan opini pengguna terhadap aplikasi MyMRTJ. Penelitian ini bertujuan untuk mengkaji lebih lanjut sentimen dalam ulasan pengguna aplikasi MyMRTJ dengan jumlah data yang dianalisis sebanyak 1210 ulasan, lalu dikategorikan ke dalam sentimen positif, negatif, dan netral. Selanjutnya, data diproses melalui tahapan pre-processing yang mencakup cleaning, case folding, tokenization, filtering, normalization, dan stemming. Metode yang digunakan pada penelitian ini yaitu K-Nearest Neighbor (K-NN) dan pendekatan Lexicon-Based. Selain itu, karena terdapat ketidakseimbangan pada dataset, peneliti menerapkan Synthetic Minority Oversampling Technique (SMOTE) dalam mengatasi masalah tersebut. Evaluasi model dilakukan menggunakan confusion matrix dengan mengukur metrik accuracy, precision, recall, dan F1-score. Dari hasil pengujian diperoleh hasil sebagai berikut, metode K-Nearest Neighbor (K-NN) dan pendekatan Lexicon-Based tanpa penerapan SMOTE menghasilkan accuracy 71,52%, precision 88,15%, recall 44,49%, dan f1-score 47,60%. Sedangkan hasil setelah menerapkan teknik SMOTE, akurasi meningkat menjadi 80,99%, dengan precision 71,14%, recall 53,43%, dan F1-score 57,95% pada nilai K=3. Hasil ini menunjukkan bahwa penggunaan SMOTE dapat meningkatkan performa model dengan memperbaiki prediksi pada kelas minoritas.