PERBANDINGAN ALGORITMA RANDOM FOREST DAN XGBOOST UNTUK ANALISIS SENTIMEN PUBLIK TERHADAP RUMAH MAKAN PAYAKUMBUAH

Abstract

Penelitian ini bertujuan membandingkan efektivitas dua algoritma machine learning, yaitu Random Forest dan XGBoost, dalam analisis sentimen terhadap ulasan publik mengenai Rumah Makan Payakumbuah. Dataset yang digunakan terdiri dari 1.186 ulasan yang dikumpulkan dari berbagai platform media sosial. Sebelum proses klasifikasi dilakukan, data terlebih dahulu melalui tahapan preprocessing dan transformasi teks menggunakan metode TF-IDF untuk mengubah data teks menjadi representasi numerik yang dapat diproses oleh algoritma.Eksperimen dilakukan dengan menerapkan kedua algoritma untuk mengklasifikasikan sentimen ulasan menjadi kategori positif, negatif, atau netral. Hasil menunjukkan bahwa XGBoost memberikan performa yang lebih baik dibandingkan Random Forest. XGBoost mencapai akurasi 68%, precision 66%, recall 68%, dan F1-score 66%. Sementara itu, Random Forest menghasilkan akurasi 63%, precision 61%, recall 63%, dan F1-score 61%. Meskipun keduanya mengalami kesulitan dalam mengklasifikasikan sentimen netral, XGBoost menunjukkan ketahanan yang lebih baik terhadap ketidakseimbangan kelas. Selain klasifikasi, penelitian ini juga melakukan analisis visual menggunakan word cloud untuk mengidentifikasi kata-kata yang paling sering muncul dalam ulasan. Hasilnya menunjukkan bahwa aspek rasa makanan dan kualitas pelayanan merupakan topik yang paling banyak dibahas oleh pelanggan. Temuan ini memberikan kontribusi penting dalam pengembangan sistem analisis sentimen yang lebih akurat dan adaptif untuk sektor kuliner. Dengan memahami pola umpan balik pelanggan secara lebih mendalam, pelaku usaha dapat meningkatkan kualitas layanan dan merespons kebutuhan konsumen secara lebih efektif. Penelitian ini juga membuka peluang untuk pengembangan model yang lebih kompleks di masa depan, khususnya dalam menangani data ulasan yang tidak seimbang secara kelas.