Training Model | Analisis Sentimen MBG

Training hanya memakai baris yang sudah dipreprocessing dan sudah berlabel. Jika sebuah batch belum muncul di sini atau jumlah "siap dilatih"-nya masih kurang, jalankan Preprocessing lalu Pelabelan Data terlebih dahulu.

Pembagian data latih/uji sekarang otomatis stratified (proporsi tiap kelas sentimen dijaga sama di data latih & data uji), dan tersedia opsi SMOTE untuk menyeimbangkan kelas minoritas pada data latih sebelum training.

🌲 Training Random Forest

Pilih Dataset Batch Rasio Data Latih : Data Uji (stratified — proporsi tiap kelas sentimen dijaga sama)

Pilih batch untuk melihat perkiraan jumlah data latih / data uji.

Random Seed (isi angka tetap misalnya 42 supaya hasil training bisa direproduksi persis sama; kosongkan untuk kembali ke perilaku acak seperti sebelumnya) Jumlah Tree (n_estimators) Kedalaman Maksimum Tree (max_depth, kosongkan = default 200) Minimal Sampel per Leaf (min_samples_leaf, kosongkan = 1, persis default scikit-learn/notebook) Cari split pakai SELURUH data latih (tanpa subsampling) — paling dekat ke notebook Colab/sklearn, dan terbukti di riwayat training Anda menaikkan akurasi dari ~55-60% ke ~70-71% (konsekuensinya training ~2x lebih lambat pada dataset besar) Maksimal Fitur TF-IDF (max_features) Min. Document Frequency (min_df) Max. Document Frequency (max_df, proporsi 0-1) Sertakan bigram (dua kata berurutan), sesuai ngram_range=(1,2) Terapkan SMOTE pada data latih (seimbangkan kelas minoritas)

📍 Training K-Nearest Neighbor

Pilih Dataset Batch Rasio Data Latih : Data Uji (stratified — proporsi tiap kelas sentimen dijaga sama)

Pilih batch untuk melihat perkiraan jumlah data latih / data uji.

Random Seed (isi angka tetap misalnya 42 supaya hasil training bisa direproduksi persis sama; kosongkan untuk kembali ke perilaku acak seperti sebelumnya) Nilai K (jumlah tetangga) Metrik Jarak Maksimal Fitur TF-IDF (max_features) Min. Document Frequency (min_df) Max. Document Frequency (max_df, proporsi 0-1) Sertakan bigram (dua kata berurutan), sesuai ngram_range=(1,2) Terapkan SMOTE pada data latih (seimbangkan kelas minoritas)

Riwayat Training

🌲Random Forest

Waktu	Batch	Algoritma	Data Train/Test	Akurasi	Precision	Recall	F1-Score	Waktu Latih	Pengaturan
13/09/2026 21:35	Data MBG	🌲 Random Forest	7968 / 1171	73.78%	74.52%	73.78%	74.05%	1216.2s	Stratified 80:20, SMOTE: ✅, fitur: 3000 , depth: 200 , minLeaf: 1 , full-split , seed: 42

📍K-Nearest Neighbor (KNN)

Waktu	Batch	Algoritma	Data Train/Test	Akurasi	Precision	Recall	F1-Score	Waktu Latih	Pengaturan
13/09/2026 21:38	Data MBG	📍 KNN	7968 / 1171	52.78%	64.72%	52.78%	55.15%	70.14s	Stratified 80:20, SMOTE: ✅, fitur: 3000 , K: 15 , metrik: cosine , seed: 42