PENERAPAN METODE STACKING ENSEMBLE UNTUK ANALISIS SENTIMEN PADA ULASAN APLIKASI RUANG GURU

Abstrak

Penelitian ini bertujuan untuk mengetahui sentimen pengguna terhadap aplikasi Ruang Guru berdasarkan ulasan di Google Play Store. Analisis dilakukan untuk menggambarkan persepsi masyarakat terhadap layanan pembelajaran digital tersebut. Data berupa ulasan pengguna dalam bahasa Indonesia dikumpulkan melalui teknik web scraping dan dianalisis menggunakan pendekatan klasifikasi sentimen berbasis pembelajaran mesin (machine learning). Penelitian mengikuti tahapan metodologi Cross Industry Standard Process for Data Mining (CRISP-DM), yang terdiri dari Business Understanding, Data Understanding, Data Preparation, Modelling, Evaluation dan Deployment. Sentimen dikategorikan menjadi tiga kelas: positif, negatif dan netral. Proses melibatkan praproses data seperti pembersihan, tokenisasi, normalisasi kemudian ekstraksi fitur menggunakan Term Frequency–Inverse Document Frequency (TF-IDF), serta pelabelan data. Model klasifikasi yang digunakan meliputi Logistic Regression, Support Vector Machine (SVM) dengan kernel linier, Random Forest, Extreme Gradient Boosting (XGBoost), Light Gradient Boosting Machine (LightGBM), serta dua model Stacking Ensemble. Stacking Ensemble 1 menggunakan Random Forest, SVM, dan XGBoost sebagai base learner, dan Logistic Regression sebagai meta learner. Stacking Ensemble 2 menggunakan SVM, LightGBM, dan XGBoost sebagai base learner dengan meta learner yang sama. Evaluasi menggunakan akurasi dan Area Under Curve (AUC) menunjukkan bahwa Stacking Ensemble 1 memberikan hasil terbaik dengan akurasi 87,15% dan AUC 0,939, mengungguli Stacking Ensemble 2 dan model tunggal lainnya. Mayoritas ulasan menunjukkan sentimen positif terhadap aplikasi Ruang Guru. Hasil ini dapat menjadi masukan strategis bagi pengembang dalam meningkatkan kualitas layanan dan kepuasan pengguna.