ANALISIS ULASAN PENGGUNA APLIKASI HALODOC MENGGUNAKAN SUPPORT VECTOR MACHINE DENGAN PENANGANAN DATA IMBALANCE SMOTE

Perkembangan layanan kesehatan digital mendorong meningkatnya pengguna aplikasi telemedicine, salah satunya adalah halodoc. Ulasan pengguna yang tersedia pada platform digital menjadi sumber informasi penting untuk mengetahui persepsi dan tingkat kepuasan pengguna terhadap layanan yang diberikan. Namun, analisis ulasan secara manual memiliki keterbatasan, terutama karena jumlah data yang besar, penggunaan Bahasa tidak baku, serta ketidakseimbangan distribusi kelas sentiment. Oleh sebab itu, diperlukan pendekatan komputasional untuk melakukan analisis sentimen secara otomatis. Penelitian ini membahas klasifikasi sentiment ulasan pengguna aplikasi Halodoc dengan menggunakan metode Support Vector Machine (SVM) dan ekstraksi fitur TF-IDF. Data ulasan diperoleh dari Google Play Store dan diproses melalui beberapa tahapan preprocessing, yaitu Cleansing, case folding, tokenization, Normalization, stopword removal. Pelabelan data dilakukan menggunakan dua pendekatan, yaitu pelabelan manual dan pelabelan berbasis leksikon. Selain itu, penelitian ini juga menerapkan metode SMOTE dan undersampling untuk menangani ketidakseimbangan jumlah data antar kelas sentiment. Pengujian dilakukan dengan beberapa skenario menggunakan kernel linear SVM dan variasi nilai parameter C, menggunakan SMOTE maupun tidak. Evaluasi model dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil pengujian menunjukkan bahwa skenario pelabelan leksikon dengan penerapan SMOTE memberikan hasil terbaik, dengan akurasi sebesar 0,979, presisi 0,993, recall 0,983, dan F1-score 0,988 pada Nilai C 1. Berdasarkan hasil tersebut, dapat disimpulkan bahwa metode SVM dengan TF-IDF mampu mengklasifikasikan sentiment ulasan pengguna Halodoc dengan baik, serta penggunaan SMOTE dapat meningkatkan performa model pada data yang tidak seimbang.