PERBANDINGAN PENDEKATAN LEXICON-BASED DENGAN PELABELAN MANUAL PADA ANALISIS SENTIMEN ULASAN PENGGUNA RUANGGURU

Perkembangan aplikasi pembelajaran digital menghasilkan semakin banyak ulasan pengguna yang dapat dimanfaatkan untuk mengevaluasi kualitas layanan melalui analisis sentimen. Namun, performa klasifikasi sentimen tidak hanya dipengaruhi oleh algoritma yang digunakan, tetapi juga oleh metode pelabelan data. Penelitian ini bertujuan membandingkan pengaruh pendekatan lexicon-based menggunakan Indonesian Sentiment Lexicon (InSet) dengan pelabelan manual menggunakan metode majority voting terhadap performa klasifikasi sentimen ulasan pengguna Ruangguru menggunakan algoritma Support Vector Machine (SVM). Data penelitian berupa 5.000 ulasan pengguna yang diperoleh dari Google Play Store. Tahapan penelitian meliputi text preprocessing, pelabelan embali t menggunakan kedua pendekatan, ekstraksi fitur menggunakan Term Frequency–Inverse Document Frequency (TF-IDF), penyeimbangan data menggunakan Synthetic Minority Oversampling Technique (SMOTE), serta klasifikasi menggunakan SVM. Evaluasi model dilakukan menggunakan confusion matrix dengan metrik accuracy, precision, recall, dan Macro F1-score. Hasil penelitian menunjukkan bahwa model SVM dengan pelabelan lexicon-based memberikan performa yang lebih baik dibandingkan pelabelan manual, dengan nilai accuracy sebesar 84,88%, Macro Precision 0,75, Macro Recall 0,78, dan Macro F1-score 0,76, sedangkan pelabelan manual menghasilkan accuracy sebesar 77,17%, Macro Precision 0,67, Macro Recall 0,70, dan Macro F1-score 0,68. Temuan ini menunjukkan bahwa metode pelabelan memengaruhi performa klasifikasi sentimen, sehingga pendekatan lexicon-based menggunakan InSet lebih efektif dalam menghasilkan model klasifikasi sentimen ulasan pengguna Ruangguru.