ANALISIS SENTIMEN ULASAN PENGGUNA APLIKASI QUORA MENGGUNAKAN METODE MULTINOMIAL NAÏVE BAYES DAN TF-IDF

Abstract

Penelitian ini bertujuan menganalisis sentimen pada ulasan pengguna aplikasi Quora dengan membangun model klasifikasi menggunakan metode Term Frequency–Inverse Document Frequency (TF-IDF) dan algoritma Multinomial Naïve Bayes. Sebanyak 2.000 ulasan dikumpulkan melalui web scraping dari Google Play Store, kemudian diseleksi dan diberi label secara manual hingga menghasilkan 1.631 ulasan yang layak dianalisis. Tahap preprocessing meliputi pembersihan teks, case folding, normalisasi, tokenisasi, penghapusan stopword, dan stemming untuk menjaga konsistensi data. Data yang telah diproses kemudian dibagi menjadi data latih dan data uji sebelum melalui ekstraksi fitur menggunakan TF-IDF. Model Multinomial Naïve Bayes dilatih pada data latih dan dievaluasi menggunakan akurasi, precision, recall, F1-score, dan confusion matrix. Hasil evaluasi menunjukkan bahwa model mencapai akurasi 80%, dengan performa tertinggi pada kelas positif (F1-score 0.89), performa sedang pada kelas negatif (F1-score 0.62), dan performa terendah pada kelas netral (F1-score 0.47). Temuan ini menunjukkan bahwa kombinasi TF-IDF dan Multinomial Naïve Bayes efektif untuk klasifikasi sentimen ulasan berbahasa Indonesia, meskipun sentimen netral masih menjadi tantangan karena sifatnya yang ambigu. Penelitian ini diharapkan dapat mendukung pengembangan sistem analisis sentimen otomatis untuk pemantauan kualitas layanan aplikasi secara berkelanjutan.