View/Open

Author
Kevin, Anugrah

Advisor
Tirta Setiawan, S.Pd., M.Si.,
Mika Alvionita S, S.Si., M.Si.,

Koleksi
Sains Data

Publisher

Penelitian ini berfokus pada klasifikasi sentimen ulasan pengguna terhadap game bergenre First-Person Shooter (FPS) dengan memanfaatkan kombinasi teknik pemrosesan bahasa alami dan pembelajaran mesin. Dataset yang digunakan berupa ulasan teks berlabel positif dan negatif. Data teks diproses dan diubah menjadi bentuk numerik menggunakan metode Term Frequency–Inverse Document Frequency (TF-IDF) untuk merepresentasikan tingkat kepentingan kata dalam dokumen. Untuk mengatasi ketidakseimbangan kelas, digunakan metode Synthetic Minority Oversampling Technique (SMOTE) yang menghasilkan data sintetis pada kelas minoritas. Algoritma K-Nearest Neighbor (K-NN) digunakan sebagai model klasifikasi, dengan pencarian parameter terbaik dilakukan menggunakan Grid Search dan validasi silang 5-Fold. Evaluasi model dilakukan menggunakan metrik akurasi, presisi, sensitivitas, dan F1-score. Hasil eksperimen menunjukkan bahwa integrasi antara TF-IDF, SMOTE, dan K-NN menghasilkan sistem klasifikasi yang baik untuk analisis sentimen pada ulasan game FPS, dengan kelas positif memiliki presisi sebesar 88.08%, sensitivitas 89.27%, F1-score 88.60%, dan akurasi 89.42%.

URI
https://repository.itera.ac.id/depan/submission/SB2511160003

Keyword
Analisis Sentimen TF-IDF K-Nearest Neighbor Game FPS