Sistem Klasifikasi Sentimen Multikelas Dengan Pendekatan Aspek Dominan Pada Ulasan Aplikasi PLN Mobile Menggunakan Weighted Soft Voting Ensemble

Aplikasi PLN Mobile menghasilkan volume ulasan pengguna yang sangat masif di Google Play Store, yang menjadi aset data penting untuk mengevaluasi kepuasan pelanggan namun sulit jika dianalisis secara manual. Analisis sentimen konvensional seringkali hanya memberikan label polaritas secara umum tanpa menunjuk pada fitur layanan yang spesifik secara tepat. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan sistem klasifikasi sentimen multikelas (positif, negatif, dan netral) pada ulasan aplikasi PLN Mobile dengan menggunakan pendekatan aspek dominan melalui metode Weighted Soft Voting Ensemble. Pengumpulan data dilakukan dengan menarik 23.850 ulasan yang kemudian melalui tahapan pra-pemrosesan teks komprehensif, meliputi case folding, pembersihan data, normalisasi kata tidak baku, penanganan negasi, penghapusan stopword, dan stemming menggunakan library Sastrawi. Ekstraksi fitur dilakukan menggunakan pembobotan TF-IDF yang dikombinasikan dengan N-gram, sementara ketimpangan distribusi kelas data (78,4% ulasan positif, 19,6% negatif, dan 1,9% netral) diatasi menggunakan metode Synthetic Minority Over-sampling Technique (SMOTE) pada data latih. Model Weighted Soft Voting Ensemble diintegrasikan dari empat algoritma dasar berbasis linear, yaitu Multinomial Naive Bayes (MNB), Logistic Regression (LR), SGD Classifier, dan Linear SVC. Hasil pengujian menunjukkan bahwa metode ensemble ini beroperasi dengan sangat stabil dan tangguh, mencapai Accuracy sebesar 91,47%, Precision 91,49%, Recall 91,47%, dan F1-Score 91,42%. Hasil analisis aspek dominan menemukan bahwa kategori "Pembayaran & Token" adalah topik yang paling krusial dan mendominasi pembahasan (52,49%), sedangkan kategori "Antarmuka Pengguna (UI/UX)" merupakan aspek yang paling banyak mendapatkan proporsi sentimen negatif (38,5%). Sebagai luaran praktis, model klasifikasi ini telah berhasil diimplementasikan ke dalam sebuah purwarupa (prototype) dashboard analitik berbasis kerangka kerja Streamlit yang mampu memvisualisasikan data serta menarik ulasan baru secara real-time.