PERBANDINGAN KINERJA ALGORITMA RANDOM FOREST DAN XGBOOST TERHADAP ANALISIS SENTIMEN APLIKASI E-COMMERCE

Abstract

Perkembangan teknologi digital yang begitu pesat telah membuat aplikasi e-commerce, termasuk Shopee sebagai salah satu platform terkemuka dengan jutaan pengguna aktif, semakin banyak digunakan di Indonesia. Review pengguna pada Google Play Store adalah sumber data yang sangat berharga untuk mengevaluasi kualitas pelayanan sekaligus menganalisis sentimen konsumen. Namun, tingginya volume data serta kerumitan bahasa yang digunakan dalam ulasan mengharuskan adanya pendekatan analisis yang tepat dan efisien. Studi ini dirancang untuk mengevaluasi dan membandingkan efektivitas dua algoritma klasifikasi yang berbeda, yaitu Random Forest dan XGBoost dalam mengidentifikasi sentimen dari ulasan pengguna Shopee. Akuisisi data tekstual ulasan dilakukan secara terprogram melalui proses scraping lewat Play Store, proses lanjutan menerapkan workflow NLP standar yang mencakup: annotasi label, case normalization, data cleansing, tokenization, stopword elimination, dan morphological stemming. Tahap berikutnya melibatkan ekstraksi fitur dengan menerapkan skema TF-IDF, dilanjutkan dengan partisi korpus data dipartisi ke dalam dua kelompok terpisah, yakni subset pelatihan (training) dan subset validasi (testing). Kerangka klasifikasi kemudian dikonstruksi menggunakan algoritma Random Forest dan XGBoost, yang selanjutnya dinilai kinerjanya melalui serangkaian indikator evaluasi meliputi akurasi, presisi, recall, dan F1-score. Temuan dari studi ini diharapkan mampu menawarkan rekomendasi tentang algoritma yang memiliki efektivitas tertinggi dalam penilaian sentimen untuk platform e-commerce, serta memberikan kontribusi bagi peningkatan kualitas layanan dan penelitian lanjutan di bidang data mining dan pemrosesan bahasa alami.