Penyeimbangan Data pada Aspect-Based Sentiment Analysis Layanan Kesehatan Menggunakan ML-OUSCA dengan SVM

Ulasan layanan kesehatan pada platform digital sering memuat lebih dari satu aspek dengan sentimen yang berbeda dalam satu teks sehingga klasifikasi Aspect-Based Sentiment Analysis (ABSA) berbasis multilabel menjadi lebih kompleks. Penggunaan Label Powerset menghasilkan banyak kombinasi label yang menyebabkan ketidakseimbangan data dan dapat menurunkan kinerja klasifikasi. Penelitian ini bertujuan menganalisis pengaruh penerapan ML-OUSCA dalam menangani ketidakseimbangan data terhadap performa Support Vector Machine (SVM) pada ABSA ulasan layanan kesehatan. Data penelitian diperoleh dari ulasan layanan kesehatan yang telah melalui tahap Preprocessing, ekstraksi fitur menggunakan TF-IDF, transformasi Label Powerset, pembagian data latih dan data uji dengan rasio 80:20, serta pengujian pada skenario Top 5, Top 10, Top 20, dan Top 30. Analisis data dilakukan menggunakan metrik Accuracy, Precision, recall, dan F1-score yang dihitung dengan pembobotan macro (sama rata untuk setiap label). Hasil penelitian menunjukkan bahwa skenario Top 5 menghasilkan performa terbaik dengan Accuracy 81,45%, Precision 50,73%, recall 54,71%, dan F1-score 52,45%. Penerapan ML-OUSCA memberikan peningkatan performa paling signifikan pada skenario Top 10, sedangkan pada skenario Top 20 dan Top 30 peningkatan yang diperoleh relatif kecil akibat tingkat ketidakseimbangan data yang sangat tinggi pada kedua skenario tersebut. Kata kunci: Aspect-Based Sentiment Analysis, ketidakseimbangan data, Label Powerset, ML-OUSCA, Support Vector Machine.