Perbandingan Kinerja Multinomial Naïve Bayes dan Complement Naïve Bayes pada Analisis Sentimen Ulasan Aplikasi Gojek Berbahasa Indonesia dengan Penanganan Class Imbalance Menggunakan SMOTE

Abstract

Penelitian ini bertujuan membandingkan kinerja algoritma Multinomial Naïve Bayes (MNB) dan Complement Naïve Bayes (CNB) dalam analisis sentimen ulasan aplikasi Gojek berbahasa Indonesia yang mengalami class imbalance, serta mengukur kontribusi Synthetic Minority Over-sampling Technique (SMOTE) terhadap CNB. Nilai tambah penelitian ini meliputi rancangan pipeline preprocessing lima tahap yang adaptif terhadap karakteristik bahasa ulasan informal Indonesia, serta aplikasi pengujian interaktif berbasis Streamlit untuk membandingkan hasil prediksi ketiga model. Dataset yang digunakan berjumlah 500 ulasan dari Kaggle (406 negatif, 94 positif), diekstraksi menggunakan TF-IDF, dan dibagi 80:20 secara stratified. Hasil pengujian menunjukkan MNB memperoleh akurasi 81,00% (Macro F1-Score 44,75%), CNB memperoleh akurasi 75,00% (Macro F1-Score 60,18%), sedangkan CNB+SMOTE memperoleh akurasi 80,00% dengan Macro F1-Score tertinggi 67,51% dan peningkatan F1 Positif +11,47 poin dibanding CNB tanpa SMOTE, dikuatkan validasi 5-Fold Stratified Cross Validation. Penelitian ini menyimpulkan bahwa kombinasi CNB dan SMOTE merupakan konfigurasi terbaik untuk menangani class imbalance pada data ulasan Gojek.