COMPARISON OF SENTIMENT CLASSIFICATION MODELS AT SULTAN HASANUDDIN AIRPORT IN MAKASSAR

Muhammad Farhan Hermansyah; Dolly Indra; Ramdaniah Ramdaniah

doi:10.35760/ik.2025.v30i1.14125

COMPARISON OF SENTIMENT CLASSIFICATION MODELS AT SULTAN HASANUDDIN AIRPORT IN MAKASSAR

Muhammad Farhan Hermansyah
Universitas Muslim Indonesia
Indonesia

Dolly Indra
orcid

https://fikom.umi.ac.id/dolly-indra/
Universitas Muslim Indonesia
Indonesia

Ramdaniah Ramdaniah
https://fikom.umi.ac.id/ramdaniah/
Universitas Muslim Indonesia
Indonesia

DOI: http://dx.doi.org/10.35760/ik.2025.v30i1.14125

Article Submitted: 17 March 2025

Article Published: 02 May 2025

Abstract

Analisis sentimen menggunakan machine learning penting untuk memahami persepsi publik terhadap layanan bandara. Renovasi Bandara Sultan Hasanuddin Makassar bertujuan meningkatkan kapasitas dan kenyamanan, namun tanggapan masyarakat terkait perubahan ini beragam. Penelitian ini membandingkan efektivitas tiga algoritma machine learning—Naive Bayes Multinomial, Support Vector Machine (SVM), dan Random Forest—dalam menganalisis sentimen ulasan pengguna terkait renovasi Bandara Sultan Hasanuddin di Makassar. Penelitian ini juga menerapkan teknik pemisahan data dan preprocessing teks menggunakan Google Colab dengan pemrograman berbasis Python, termasuk pembersihan data, stemming dengan Sastrawi, penghilangan stopword, dan ekstraksi fitur menggunakan metode TF-IDF dengan Unigram dan Bigram. Untuk mengatasi ketidakseimbangan kelas pada dataset, diterapkan teknik SMOTE. Data ulasan yang digunakan diambil dari Google Maps selama satu tahun terakhir. Hasil penelitian menunjukkan bahwa SVM dengan kernel linear memberikan performa terbaik dengan F1-score 92,3%, diikuti oleh Naive Bayes 83,7% dan Random Forest 81,9%. Unigram lebih efektif dibandingkan Bigram dalam ekstraksi fitur, dan SMOTE meningkatkan kinerja Naive Bayes pada dataset yang tidak seimbang, namun tidak berpengaruh signifikan pada SVM. Temuan ini memberikan rekomendasi untuk peningkatan layanan di Bandara Sultan Hasanuddin, seperti fasilitas kebersihan dan kenyamanan ruang tunggu.

Keywords

Naive Bayes; N-Gram; Random Forest; SMOTE; SVM

References

S. Ainin, A. Feizollah, N. B. Anuar, and N. A. Abdullah, “Sentiment analyses of multilingual tweets on halal tourism,” Tour. Manag. Perspect., vol. 34, no. February, p. 100658, 2020, doi: 10.1016/j.tmp.2020.100658.

L. Zhang, M. Hou, Y. Liu, K. Wang, and H. Yang, “Measuring Beijing’s international air connectivity and suggestions for improvement post COVID-19,” Transp. Policy, vol. 116, no. November 2021, pp. 132–143, 2022, doi: 10.1016/j.tranpol.2021.11.015.

S. Syafrizal, M. Afdal, and R. Novita, “Analisis Sentimen Ulasan Aplikasi PLN Mobile Menggunakan Algoritma Naïve Bayes Classifier dan K-Nearest Neighbor,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. 1, pp. 10–19, 2023, doi: 10.57152/malcom.v4i1.983.

D. Ramadhansyah, A. Asrofiq, and Y. Yunefri, “Analisis Sentimen Ulasan penumpang maskapai penerbangan di Indonesia… ZONAsi,” J. Sist. Inf., vol. 6, no. 2, pp. 287–297, 2024.

K. Airports, “Kja em,” pp. 103–110, 2023.

K. D. M. Muhammad Hidayat Nasmi, “Jurnal Ilmu Administrasi Publik,” J. Ilmu Adm. Publik, vol. 6, no. 2, pp. 165–175, 2021.

S. Khomsah, “Naive Bayes Classifier Optimization on Sentiment Analysis of Hotel Reviews,” J. Penelit. Pos dan Inform., vol. 10, no. 2, p. 157, 2020, doi: 10.17933/jppi.2020.100206.

S. S. Aljameel et al., “A sentiment analysis approach to predict an individual’s awareness of the precautionary procedures to prevent covid-19 outbreaks in Saudi Arabia,” Int. J. Environ. Res. Public Health, vol. 18, no. 1, pp. 1–12, 2021, doi: 10.3390/ijerph18010218.

Y. Dzyuban et al., “Sentiment Analysis of Weather-Related Tweets from Cities within Hot Climates,” Weather. Clim. Soc., vol. 14, no. 4, pp. 1133–1145, 2022, doi: 10.1175/WCAS-D-21-0159.1.

Rabiatul Adawiyah and Munifah, “Eksplorasi Kapasitas Pengkodean Amplitudo Untuk Model Quantum Machine Learning,” Inform. J. Tek. Inform. dan Multimed., vol. 3, no. 1, pp. 38–58, 2023, doi: 10.51903/informatika.v3i1.232.

A. A. Dhani, T. A. Y. Siswa, and W. J. Pranoto, “Perbaikan Akurasi Random Forest Dengan ANOVA Dan SMOTE Pada Klasifikasi Data Stunting,” Teknika, vol. 13, no. 2, pp. 264–272, 2024, doi: 10.34148/teknika.v13i2.875.

E. Sur and H. Çakır, “Bibliometric analysis of the use of sentiment analysis in the context of service quality,” Yalvaç Akad. Derg., vol. 8, no. 1, pp. 81–104, 2023, doi: 10.57120/yalvac.1258627.

A. H. Salman and W. A. M. Al-Jawher, “Performance Comparison of Support Vector Machines, AdaBoost, and Random Forest for Sentiment Text Analysis and Classification,” J. Port Sci. Res., vol. 7, no. 3, pp. 300–311, 2024, doi: 10.36371/port.2024.3.8.

Viny Gilang Ramadhan and Yuliant Sibaroni, “Sentiment Analysis of Public Opinion Related to Rapid Test Using LDA Method,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 4, pp. 672–679, 2021, doi: 10.29207/resti.v5i4.3139.

M. O. Odim, A. O. Ogunde, B. O. Oguntunde, and S. A. Phillips, “Exploring the performance characteristics of the naïve bayes classifier in the sentiment analysis of an Airline’s social media data,” Adv. Sci. Technol. Eng. Syst., vol. 5, no. 4, pp. 266–272, 2020, doi: 10.25046/aj050433.

A. A. Syahfitri, M. F. Mulya, P. D. Larasati, and S. Anwar, “Perancangan Sistem Informasi Penerimaan Peserta Didik Baru Menggunakan Codeigniter, Bootstrap Dan Mysql (Studi Kasus: Raudhatul Athfal Az-Zahra),” J. SISKOM-KB (Sistem Komput. dan Kecerdasan Buatan), vol. 6, no. 2, pp. 125–136, 2023, doi: 10.47970/siskom-kb.v6i2.375.

M. B. Ressan and R. F. Hassan, “Naïve-Bayes family for sentiment analysis during COVID-19 pandemic and classification tweets,” Indones. J. Electr. Eng. Comput. Sci., vol. 28, no. 1, pp. 375–383, 2022, doi: 10.11591/ijeecs.v28.i1.pp375-383.

N. Jalal, A. Mehmood, G. S. Choi, and I. Ashraf, “A novel improved random forest for text classification using feature ranking and optimal number of trees,” J. King Saud Univ. - Comput. Inf. Sci., vol. 34, no. 6, pp. 2733–2742, 2022, doi: 10.1016/j.jksuci.2022.03.012.

A. Sagita, A. Faqih, G. Dwilestari, B. Siswoyo, and D. Pratama, “Penerapan Metode Random Forest Dalam Menganalisis Sentimen Pengguna Aplikasi Capcut Di Google Play Store,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 6, pp. 3307–3313, 2024, doi: 10.36040/jati.v7i6.8205.

A. M. Sarhan, H. Ayman, M. Wagdi, B. Ali, A. Adel, and R. Osama, “Integrating machine learning and sentiment analysis in movie recommendation systems,” J. Electr. Syst. Inf. Technol., 2024, doi: 10.1186/s43067-024-00177-7.

E. H. Muktafin and P. Kusrini, “Sentiments analysis of customer satisfaction in public services using K-nearest neighbors algorithm and natural language processing approach,” Telkomnika (Telecommunication Comput. Electron. Control., vol. 19, no. 1, pp. 146–154, 2021, doi: 10.12928/TELKOMNIKA.V19I1.17417.

Hermanto, A. Y. Kuntoro, T. Asra, E. B. Pratama, L. Effendi, and R. Ocanitra, “Gojek and Grab User Sentiment Analysis on Google Play Using Naive Bayes Algorithm and Support Vector Machine Based Smote Technique,” J. Phys. Conf. Ser., vol. 1641, no. 1, 2020, doi: 10.1088/1742-6596/1641/1/012102.

R. S. Y. Zebua, Fenomena artificial intelleigence, no. June. 2023.