Optimasi Hyperparameter Random Forest dengan Grid Search untuk klasifikasi sentimen publik pada ulasan produk iphone

INDONESIA :

Ulasan pengguna iPhone mengandung sentimen yang penting untuk dianalisis guna mendukung pengambilan keputusan berbasis opini publik. Tantangan muncul karena jumlah data yang besar dan tidak terstruktur, sehingga dibutuhkan pendekatan klasifikasi otomatis. Penelitian ini menggunakan algoritma Random forest dengan optimasi hyperparameter menggunakan teknik Grid Search. Dataset berisi 3.062 ulasan diproses melalui tahapan Preprocessing teks, pembobotan TF-IDF, dan pelabelan manual menjadi sentimen positif dan negatif. Total 162 kombinasi hyperparameter diuji. Parameter terbaik ditemukan melalui evaluasi rata-rata akurasi pada validasi silang 5-fold. Hasil menunjukkan bahwa model sebelum optimasi menghasilkan akurasi 82.59%, sedangkan setelah optimasi meningkat menjadi 83.76%. Pada konfigurasi terbaik dengan split data 70:30, diperoleh precision 84.97%, recall 92.80%, dan F1-score 88.71%. Optimasi hyperparameter terbukti meningkatkan performa model dalam klasifikasi sentimen publik terhadap ulasan produk iPhone secara signifikan.

ENGLISH :

iPhone user reviews contain sentiment that is important to analyze to support public opinion-based decision-making. Challenges arise due to the large amount of unstructured data, so an automated classification approach is needed. This research uses Random forest algorithm with hyperparameter optimization using Grid Search technique. The dataset of 3,062 reviews was processed through text Preprocessing, TF-IDF weighting, and manual labeling into positive and negative sentiments. A total of 162 hyperparameter combinations were tested. The best parameters were found through evaluating the average accuracy on 5-fold cross validation. The results show that the model before optimization yields an accuracy of 82.59%, while after optimization it increases to 83.76%. In the best configuration with a 70:30 data split, precision 84.97%, recall 92.80%, and F1-score 88.71% were obtained. Hyperparameter optimization is proven to significantly improve the model's performance in public sentiment classification of iPhone product reviews.

ARABIC :

تحتوي مراجعات مستخدمي الآيفون على مشاعر من المهم تحليلها لدعم عملية اتخاذ القرارات القائمة على الرأي العام. تنشأ التحديات بسبب الكمية الكبيرة من البيانات غير المهيكلة، لذلك هناك حاجة إلى نهج تصنيف تلقائي. ويستخدم هذا البحث خوارزمية الغابة العشوائية مع تحسين المعلمة الفائقة باستخدام تقنية البحث الشبكي. تمت معالجة مجموعة البيانات المكونة من 3,062 مراجعة من خلال المعالجة المسبقة للنص، وترجيح TF-IDF، والتصنيف اليدوي إلى مشاعر إيجابية وسلبية. تم اختبار ما مجموعه 162 مجموعة من مجموعات المعلمات الفائقة. تم العثور على أفضل المعلمات من خلال تقييم متوسط الدقة على 5 أضعاف التحقق من صحة 5 أضعاف. تُظهر النتائج أن النموذج قبل التحسين يحقق دقة تبلغ 82.59%، بينما ترتفع هذه الدقة بعد التحسين إلى 83.76%. في أفضل تكوين مع تقسيم البيانات بنسبة 70:30، تم الحصول على دقة 84.97%، واسترجاع 92.80%، ودرجة F1 88.71%. وقد ثبت أن تحسين المعامل الفائق يحسن بشكل كبير من أداء النموذج في تصنيف المشاعر العامة لمراجعات منتجات iPhone