Optimasi Ulasan Palsu Menggunakan ADASYN Dan SMOTE

Abstract

Ulasan pengguna secara daring menjadi acuan penting dalam pengambilan keputusan konsumen di berbagai platform e-commerce. Maraknya ulasan palsu (fake review) yang sengaja dibuat untuk meningkatkan citra produk atau menjatuhkan pesaing menimbulkan tantangan serius dalam menjamin keaslian informasi. Penelitian ini bertujuan untuk meningkatkan akurasi deteksi ulasan palsu dengan menerapkan teknik oversampling lanjutan, yaitu SMOTE (Synthetic Minority Over-sampling Technique) dan ADAYSN (Adaptive Synthetic Sampling) untuk menangani ketidakseimbangan data yang umum pada kasus ini. Dataset yang digunakan adalah Yelp Review Dataset dari Kaggle dengan jumlah data mencapai 50.000 ulasan yang telah melalui tahapan preprocessing seperti tokenisasi, normalisasi, stopword removal, dan stemming. Ekstraksi fitur dilakukan menggunakan metode TF-IDF. Model klasifikasi yang digunkan adalah XGBoost, LinearSVC, dan SGDClassifier. Hasil pengujian menunjukkan bahwa pendekatan SMOTE mampu meningkatkan performa deteksi kelas minoritas (ulasan palsu) dengan F1-score mencapai 0.75 meskipun mengorbankan akurasi kelas minoritas. Sementara itu, ADASYN belum menunjukkan performa optimal pada subset data kecil. Temuan ini mendukung hasil dari penelitian sebelumnya oleh Hameed et al. (2023) menunjukkan adanya potensi peningkatan performa melalui pendekatan balancing yang lebih adaptif. Penelitian ini memberikan kontribusi penting dalam pengembangan sistem deteksi ulasan palsu yang lebih seimbang dan andal.