Ulasan layanan kesehatan pada platform digital sering memuat lebih dari satu aspek dengan sentimen yang berbeda dalam satu teks sehingga klasifikasi Aspect-Based Sentiment Analysis (ABSA) berbasis multilabel menjadi lebih kompleks. Penggunaan Label Powerset menghasilkan banyak kombinasi label yang menyebabkan ketidakseimbangan data dan dapat menurunkan kinerja klasifikasi. Penelitian ini bertujuan menganalisis pengaruh penerapan ML-OUSCA dalam menangani ketidakseimbangan data terhadap performa Support Vector Machine (SVM) pada ABSA ulasan layanan kesehatan. Data penelitian diperoleh dari ulasan layanan kesehatan yang telah melalui tahap Preprocessing, ekstraksi fitur menggunakan TF-IDF, transformasi Label Powerset, pembagian data latih dan data uji dengan rasio 80:20, serta pengujian pada skenario Top 5, Top 10, Top 20, dan Top 30. Analisis data dilakukan menggunakan metrik Accuracy, Precision, recall, dan F1-score yang dihitung dengan pembobotan macro (sama rata untuk setiap label). Hasil penelitian menunjukkan bahwa skenario Top 5 menghasilkan performa terbaik dengan Accuracy 81,45%, Precision 50,73%, recall 54,71%, dan F1-score 52,45%. Penerapan ML-OUSCA memberikan peningkatan performa paling signifikan pada skenario Top 10, sedangkan pada skenario Top 20 dan Top 30 peningkatan yang diperoleh relatif kecil akibat tingkat ketidakseimbangan data yang sangat tinggi pada kedua skenario tersebut. Kata kunci: Aspect-Based Sentiment Analysis, ketidakseimbangan data, Label Powerset, ML-OUSCA, Support Vector Machine.


Deskripsi Lain

Healthcare service reviews on digital platforms often contain multiple aspects with different sentiments within a single text, making multilabel AspectrnBased Sentiment Analysis (ABSA) more challenging. The Label Powerset method generates numerous label combinations, leading to data imbalance that may reduce classification performance. This study aims to analyze the effect of applying MLrnOUSCA to address data imbalance on the performance of the Support Vector Machine (SVM) algorithm for ABSA of healthcare service reviews. The dataset was processed through Preprocessing, feature extraction using TF-IDF, Label Powerset transformation, an 80:20 train-test split, and evaluation under four scenarios: Top 5, Top 10, Top 20, and Top 30. Data analysis was conducted using Accuracy, Precision, recall, and F1-score metrics, calculated with macro-averaging (equal weighting for each label). The results indicate that the Top-5 scenario yielded the best performance, with an Accuracy of 81.45%, Precision of 50.73%, recall of 54.71%, and an F1-score of 52.45%. The application of ML-OUSCA resulted in the most significant performance improvement for the Top-10 scenario, whereas the gains observed in the Top-20 and Top-30 scenarios were relatively minor due to the extremely high level of data imbalance in those cases. Keywords: Aspect-Based Sentiment Analysis, data imbalance, Label Powerset, MLrnOUSCA, Support Vector Machine.

• Sistem Analisis Sentimen Produk Telkomsel dari Opini Twitter Berbahsa Indonesia Menggunakan Metode Naive Bayes Classifier
• ANALISIS SENTIMEN UNTUK MENGETAHUI RESPON PUBLIK MENGENAI KEBIJAKAN PEMERINTAH PADA TWITTER MENGGUNAKAN METODE NAIVE BAYES (STUDI KASUS: Rancangan Hukuman Kebiri Bagi Pedofil)
• Analisis Sentimen dari Media Sosial Menggunakan Metode Information Gain dan Naive Bayes
• Analisis Sentimen Pada Media Sosial Twitter Terhadap Kebijakan Pemindahan Ibukota Negara Berbasis Model Probabilitas
• Analisis Sentimen Publik pada Twitter Tentang Kebijakan New Normal Menggunakan Metode Weighted K-Nearest Neighbor (WKNN)