Pendekatan Ekstraksi Informasi Kualitas Layanan Toko di Platform Shopee Berdasarkan Komentar Menggunakan Ensemble Learning

Abstract

Kualitas layanan dari sebuah toko dapat ditinjau melalui fitur rating yang direpresentasikan dalam bentuk jumlah bintang dan komentar. Pelanggan sering memberikan rating dan komentar setelah membeli produk dan mendapatkan layanan dari sebuah toko. Namun hal ini menjadi tidak efisien karena calon pembeli harus melihat satu persatu komentar tersebut. Maka dari itu, Machine Laerning menjadi salah satu cara dalam mengklasifikan komentar-komentar tersebut. Pembuatan Kamus Kata Kualitas Layanan menjadi poin penting dalam proses klasifikasi ini karena berfungsi untuk menentukan kelas layanan dari masing-masing komentar. Algoritma yang digunakan meliputi Support Vector Machine, Random Forest, Multinomial Naive Bayes, TF-RF, serta Ensemble Learning Bagging. Tahapan klasifikasi meliputi proses scraping, pelabelan, pembagian data, preprocessing, pembobotan kata, pemodelan, dan evaluasi model. Data diklasifikasikan menjadi dua label, label Kualitas Layanan dan label Bukan Kualitas Layanan. Setelah melalui proses filtering, Label Kualitas Layanan kemudian akan diklasifikasikan kembali menjadi tiga label, yaitu Positif, Negatif, dan Netral. Evaluasi pemodelan menggunakan data training dengan tiga rasio, yaitu 90:10, 80:20, dan 70:30. Dari ketiga rasio tersebut didapatkan bahwa rasio 90:10 memiliki mayoritas hasil akurasi yang lebih baik, sehingga evaluasi pemodelan untuk data testing menggunakan rasio yang memiliki hasil paling baik dari evaluasi data training, yaitu 90:10 yang menghasilkan akurasi 87,3%.