Evaluasi Pengaruh Hyperparameter Tuning terhadap Performa XGBoost pada analisis Sentimen Aplikasi Ruang Guru

Pesatnya perkembangan teknologi digital mendorong munculnya berbagai platform pembelajaran daring, salah satunya adalah aplikasi Ruangguru. Banyaknya ulasan pengguna di berbagai platform digital mencerminkan persepsi terhadap kualitas layanan yang diberikan, sehingga perlu dievaluasi menggunakan pendekatan analisis sentimen berbasis komputasi. Penelitian ini bertujuan untuk mengetahui pengaruh penerapan hyperparameter tuning terhadap peningkatan performa algoritma XGBoost dalam mengklasifikasikan sentimen ulasan pengguna aplikasi Ruangguru. Data penelitian berjumlah 16.963 ulasan yang dikumpulkan dari lima platform digital, yaitu Google Play Store, Twitter (X), Instagram, TikTok, dan YouTube. Tahapan penelitian meliputi text preprocessing, pelabelan menggunakan pendekatan Lexicon-Based, ekstraksi fitur menggunakan metode Term Frequency–Inverse Document Frequency (TF-IDF), penyeimbangan kelas dengan Synthetic Minority Over-sampling Technique (SMOTE), serta pelatihan model menggunakan algoritma XGBoost yang dioptimasi melalui GridSearchCV. Hasil penelitian menunjukkan bahwa penerapan hyperparameter tuning mampu meningkatkan akurasi model dari sekitar 70% menjadi 81,90%, dengan nilai rata-rata precision sebesar 0,80, recall sebesar 0,79, dan F1-score sebesar 0,80. Hasil ini menegaskan bahwa kombinasi metode Lexicon-Based, TF-IDF, SMOTE, dan XGBoost dengan optimasi parameter dapat menghasilkan model klasifikasi sentimen yang lebih akurat dan seimbang terhadap data ulasan berbahasa Indonesia.