Pengaruh Teknik Resampling Dan Ketidakseimbangan Kelas Terhadap Kinerja Naïve Bayes Pada Sentimen Ulasan Honor Of Kings

Abstract

Ulasan pengguna pada platform aplikasi sering kali mengandung informasi sentimen berharga, namun data tersebut umumnya menghadapi ketidakseimbangan kelas yang menyebabkan model klasifikasi seperti Complement Naïve Bayes menjadi bias terhadap kelas mayoritas. Penelitian ini bertujuan menganalisis pengaruh interaksi antara teknik resampling dan tingkat ketidakseimbangan kelas terhadap kinerja model pada ulasan Honor of Kings. Eksperimen faktorial dilakukan dengan memvariasikan lima teknik resampling (tanpa resampling, Random Oversampling, Synthetic Minority Oversampling, Synthetic Minority Oversampling-Tomek, dan Random Undersampling) serta lima rasio ketidakseimbangan. Kinerja dievaluasi menggunakan F1-score makro, presisi, recall, dan area under the curve dengan validasi silang sepuluh lipatan, kemudian diuji secara statistik melalui uji Friedman dan Nemenyi. Hasil menunjukkan bahwa pengaruh resampling kecil dan tidak signifikan pada rasio rendah hingga sedang, namun signifikan pada rasio ekstrem. Synthetic Minority Oversampling-Tomek menghasilkan F1-score tertinggi dan performa paling stabil, sementara Random Undersampling menurun drastis akibat kehilangan informasi penting. Area under the curve dari Synthetic Minority Oversampling-Tomek juga unggul pada semua tingkat ketidakseimbangan tinggi. Dengan demikian, Complement Naïve Bayes tanpa resampling masih memadai untuk data seimbang, sedangkan Synthetic Minority Oversampling-Tomek direkomendasikan untuk kondisi ketidakseimbangan ekstrem.