Perbandingan Kinerja Backpropagation dan Random Forest dalam Klasifikasi Komentar Produk Shopee di Twitter

Abstract

Penelitian ini membandingkan kinerja algoritma Backpropagation dan Random Forest dalam mengklasifikasikan sentimen komentar pengguna terhadap produk Shopee di platform Twitter. Data yang digunakan berasal dari Kaggle dan telah melalui proses pra-pemrosesan seperti pembersihan teks, tokenisasi, penghapusan stopword, stemming, dan vektorisasi TF-IDF. Tiga kelas berbeda digunakan untuk mengklasifikasikan komentar, yaitu positif, netral, dan negatif. Backpropagation dibangun menggunakan dua hidden layer dan dioptimasi dengan algoritma Adam, sedangkan Random Forest menggunakan sejumlah pohon keputusan dengan variasi jumlah estimator. Hasil penelitian menunjukkan bahwa Backpropagation mengalami overfitting dengan akurasi validasi rendah, meskipun akurasi pelatihan mencapai 85%. Sebaliknya, Random Forest menghasilkan akurasi pelatihan yang konsisten tinggi hingga 100%, menunjukkan keunggulan dalam kestabilan performa. Temuan ini menunjukkan bahwa Random Forest lebih efektif dalam mengklasifikasikan komentar dalam skenario dengan dataset terbatas.