Perbandingan SVM dan XGBoost Menggunakan SMOTE pada Aplikasi KA Bandara PT. Railink

Abstract

Abstrak— Perkembangan teknologi digital telah mendorong perusahaan transportasi seperti PT. Railink untuk menyediakan layanan berbasis aplikasi guna mempermudah pengguna dalam memesan tiket Kereta Api Bandara. Namun, berdasarkan ulasan pengguna di Google Play Store, aplikasi KA Bandara masih menghadapi berbagai keluhan, terutama terkait sistem pembayaran dan stabilitas aplikasi. Penelitian ini bertujuan untuk menganalisis sentimen ulasan pengguna terhadap aplikasi KA Bandara menggunakan dua metode klasifikasi, yaitu Support Vector Machine (SVM) dan Extreme Gradient Boosting (XGBoost), serta membandingkan kinerjanya berdasarkan nilai akurasi, recall, precision, dan F1-score. Proses klasifikasi didahului dengan tahapan preprocessing teks, pembobotan menggunakan TF-IDF, dan penanganan data tidak seimbang menggunakan teknik SMOTE. Penelitian ini juga menggunakan dua pendekatan pelabelan data, yaitu manual dan lexicon-based. Hasil penelitian menunjukkan bahwa metode XGBoost memiliki performa yang paling unggul dengan nilai accuracy sebesar 89%. Penggunaan pelabelan lexicon secara signifikan meningkatkan akurasi kedua metode. Temuan ini diharapkan dapat menjadi acuan dalam mengevaluasi dan meningkatkan kualitas aplikasi KA Bandara agar lebih optimal dalam memenuhi kebutuhan pengguna.

Kata Kunci— Sentimen, Aplikasi KA Bandara, SVM, XGBoost, SMOTE