PENINGKATAN KINERJA ALGORITMA SUPPORT VECTOR MACHINE MELALUI AUGMENTASI SWAP WORD UNTUK KLASIFIKASI SENTIMEN ULASAN PENGGUNA APLIKASI BMKG

Abstract

Ulasan pengguna aplikasi BMKG di Google Play Store berpotensi besar digunakan sebagai sumber evaluasi kualitas layanan berbasis persepsi pengguna. Namun, pemanfaatan ulasan tersebut melalui klasifikasi sentimen masih menghadapi permasalahan utama, yaitu ketidakseimbangan distribusi kelas sentimen, di mana jumlah ulasan dengan sentimen tertentu jauh lebih dominan dibandingkan kelas lainnya. Kondisi ini menyebabkan algoritma klasifikasi cenderung bias terhadap kelas mayoritas, menurunkan kemampuan model dalam mengenali sentimen minoritas, serta berdampak langsung pada rendahnya kinerja dan akurasi klasifikasi. Penelitian ini bertujuan untuk meningkatkan kinerja algoritma Support Vector Machine (SVM) dalam klasifikasi sentimen ulasan pengguna aplikasi BMKG melalui penerapan teknik augmentasi data Swap Word. Metode penelitian meliputi pengumpulan data sebanyak 1.691 ulasan pengguna, preprocessing teks, ekstraksi fitur menggunakan Term Frequency–Inverse Document Frequency (TF-IDF), serta pembangunan model klasifikasi berbasis SVM. Untuk mengatasi ketidakseimbangan kelas, diterapkan teknik augmentasi Swap Word dengan menukar posisi kata secara acak tanpa mengubah makna kalimat. Hasil penelitian menunjukkan bahwa penerapan augmentasi Swap Word meningkatkan akurasi model dari 76% menjadi 87%. Kesimpulannya, augmentasi Swap Word efektif dalam mengatasi ketidakseimbangan kelas dan meningkatkan kinerja klasifikasi sentimen ulasan pengguna aplikasi BMKG