Implementasi Model Hybrid Random Forest-Support Vector Machine untuk Prediksi Tingkat Kepuasan Pengguna Layanan Multi Lane Free Flow

Abstract

Perkembangan teknologi transportasi di Indonesia telah menghadirkan sistem Multi-Lane Free Flow (MLFF) sebagai solusi pembayaran tol nirsentuh yang lebih efisien. Namun, keberhasilan penerapan teknologi ini sangat dipengaruhi oleh tingkat penerimaan masyarakat. Penelitian ini bertujuan membangun sistem prediksi rating berbasis website secara real time untuk mengukur tingkat kepuasan pengguna terhadap layanan MLFF berdasarkan ulasan di media sosial, dengan menggunakan pendekatan klasifikasi multi-kelas di mana rating kepuasan 1–5 diperlakukan sebagai kelas diskrit. Metode yang digunakan adalah model Hybrid Random Forest–Support Vector Machine (RF–SVM). Algoritma Random Forest berfungsi untuk melakukan seleksi fitur dan mengatasi ketidakseimbangan data, sementara SVM digunakan untuk melakukan klasifikasi prediksi rating dengan memanfaatkan margin antar kelas. Data penelitian diperoleh melalui proses web scraping dari platform X dan YouTube, kemudian melalui tahap preprocessing yang meliputi case folding, cleaning, normalisasi, tokenisasi, dan stemming. Selanjutnya, ekstraksi fitur dilakukan dengan metode TF-IDF untuk menghasilkan representasi numerik dari ulasan teks. Model diuji menggunakan beberapa skenario pembagian data latih dan data uji, dengan evaluasi kinerja berdasarkan Akurasi, Presisi, Recall, F1-score, dan Confusion Matrix. Hasil terbaik diperoleh pada skema pembagian data 85–15, dengan akurasi sebesar 83%. Model menunjukkan kinerja tinggi pada rating ekstrem (1 dan 5), namun masih terdapat tantangan dalam membedakan ulasan dengan rating menengah (3 dan 4).