Analisis Sentimen Ulasan Pada Aplikasi Google Maps Menggunakan Metode K-Nearest Neighbour

Ulasan pelanggan pada platform digital seperti Google Maps merupakan aset penting bagi evaluasi kualitas layanan restoran, termasuk Rumah Makan Bebek Sinjay. Namun, volume data tekstual yang masif dan struktur bahasa Indonesia yang kompleks menuntut adanya pendekatan komputasional untuk mengekstraksi informasi sentimen secara otomatis. Penelitian ini bertujuan untuk mengimplementasikan dan mengoptimasi model analisis sentimen menggunakan algoritma K-Nearest Neighbor (K-NN) dengan memanfaatkan arsitektur Orange Data Mining. Kebaruan (novelty) pada penelitian ini terletak pada integrasi modul bawaan dengan injeksi script kustom Python pada tahap awal pra-pemrosesan. Script ini bertugas mengeksekusi stemming khusus tata bahasa Indonesia serta pelabelan Lexicon-Based menggunakan Custom Dictionary domain kuliner untuk menstrukturisasi 1.587 ulasan mentah menjadi kelas biner (Positif dan Negatif). Ekstraksi fitur dilakukan menggunakan metode TF-IDF yang dioptimasi dengan normalisasi vektor L2 (Euclidean). Evaluasi model menggunakan 10-fold Cross Validation pada variasi nilai k (3, 5, 7, 9) dengan pengaturan Distance-weighted K-NN. Hasil eksperimen mengungkap adanya fenomena paradoks akurasi akibat ketimpangan kelas (class imbalance). Meskipun skenario k=9 menghasilkan akurasi tertinggi (74,1%), pengujian menetapkan k=5 sebagai batas keputusan optimal (optimal decision boundary) dengan tingkat Akurasi sebesar 72,3%. Pemilihan ini didasarkan pada kemampuan model k=5 dalam menahan laju bias over-smoothing, sehingga mampu mengklasifikasikan 875 ulasan Positif (True Positive) dan 273 ulasan Negatif (True Negative) secara proporsional tanpa mengorbankan nilai Recall pada kelas minoritas. Pendekatan hibrida ini terbukti efektif dalam memproses teks bahasa Indonesia dan memitigasi bias pada dataset ulasan yang tidak seimbang.