Detail Cantuman

Proses klasifikasi dengan imbalanced dataset dapat memengaruhi keakuratan hasil klasifikasi data. Pada penelitian ini berfokus pada penanganan imbalanced dataset untuk meningkatkan kinerja klasifikasi. Metode yang digunakan untuk menangani ketidakseimbangan dataset adalah Complement Naïve Bayes (CNB). Complement Naïve Bayes meyeimbangkan data latih yang diambil dari setiap kelas, sehingga dapat mengurangi bias yang disebabkan oleh ketidakseimbangan dataset. Metode pembobotan kata yang digunakan adalah TF-IDF, yang dirancang untuk memberikan bobot lebih tinggi pada kata-kata yang lebih informatif. Pada penelitian ini menggunakan 571 data, yang dilabeli secara otomatis dengan metode Leksikon Indonesia Sentimen (InSet). Data dibagi menjadi data train dan data test menggunakan Stratified K-Fold Cross Validation, metode ini membantu persebaran kelas pada data tetap terjaga, sehingga setiap fold memiliki representasi kelas yang seimbang. Hasil pengujian menunjukkan bahwa Complement Naive Bayes (CNB) memiliki kinerja cukup baik dibandingkan Multinomial Naive Bayes (MNB) dalam melakukan klasifikasi dengan dataset yang tidak seimbang. CNB mencapai presisi 68 %, recall 74 %, dan F1-Score 66 %, sementara MNB mencapai presisi 55 %, recall 74 %, dan F1-Score 63 %. Implementasi Stratified K-Fold Cross-Validation (SKCV) dengan K10 pada algoritma CNB dan MNB berpengaruh dalam meningkatkan hasil F1-Score, dengan hasil F1-Score 73.21 % untuk CNB dan 71.16 % untuk MNB. Kata kunci : Imbalanced data, Complement Naive Bayes, InSet Leksikon, TF-IDF, Stratified K-Fold Cross-Validation.