OPTIMASI SVM DAN RANDOM FOREST DENGAN PSO PADA ASPECT-BASED SENTIMENT ANALYSIS ULASAN APLIKASI QPON

Abstract

Ulasan pengguna aplikasi QPon memuat berbagai opini terhadap aspek layanan, seperti fungsionalitas, transaksi dan pembayaran, serta customer service. Analisis sentimen umum belum mampu menangkap opini secara spesifik pada setiap aspek, sehingga penelitian ini bertujuan mengimplementasikan algoritma machine learning yang dioptimasi menggunakan Particle Swarm Optimization (PSO) untuk Aspect-Based Sentiment Analysis (ABSA) ulasan aplikasi QPon. Data diperoleh melalui scraping ulasan Google Play Store, kemudian melalui tahap filtering, pelabelan manual, preprocessing, dan pembobotan fitur menggunakan TF-IDF dengan maksimum 5.000 fitur. Model yang digunakan adalah SVM dan Random Forest dengan enam skenario, yaitu baseline, PSO, dan SMOTE-PSO. Evaluasi dilakukan menggunakan accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa pengaruh PSO bersifat kondisional. Pada aspek fungsionalitas, RF + SMOTE + PSO memperoleh F1-score terbaik sebesar 72,46%, meningkat 11,66 poin persentase dibanding RF baseline. Pada aspek transaksi dan pembayaran, SVM + PSO memperoleh F1-score 62,98%, meningkat 0,36 poin persentase dibanding SVM baseline. Sementara itu, pada aspek customer service, SVM + PSO menurunkan F1-score sebesar 4,95 poin persentase dibanding SVM baseline. Kontribusi ilmiah penelitian ini adalah memberikan bukti empiris bahwa efektivitas PSO dalam ABSA tidak bersifat universal, melainkan bergantung pada karakteristik data setiap aspek. Dengan demikian, pemilihan model terbaik perlu dilakukan secara spesifik pada setiap aspek.