PENINGKATAN MODEL KLASIFIKASI SENTIMEN ULASAN APLIKASI ALFAGIFT MENGGUNAKAN NAIVE BAYES.

Abstract

Penelitian ini bertujuan untuk meningkatkan performa model klasifikasi sentimen pada ulasan aplikasi Alfagift dengan menggunakan algoritma Naive Bayes. Data yang digunakan dalam penelitian ini diperoleh melalui proses scraping dari Google Play Store sebanyak 10.000 ulasan, yang kemudian melalui tahap pembersihan data sehingga diperoleh 8.510 data yang valid. Tahapan penelitian meliputi preprocessing teks yang terdiri dari cleaning, case folding, normalisasi kata, tokenizing, stopword removal, dan stemming, serta ekstraksi fitur menggunakan metode TF-IDF. Pelabelan sentimen dilakukan menggunakan pendekatan lexicon-based dengan mengklasifikasikan data ke dalam tiga kategori, yaitu positif, negatif, dan netral. Model klasifikasi dibangun dalam dua skenario, yaitu model baseline menggunakan CountVectorizer dan model improved menggunakan TF-IDF dengan n-gram (1,2) serta tuning parameter alpha pada algoritma Multinomial Naive Bayes. Evaluasi model dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model baseline menghasilkan accuracy sebesar 0,679, precision 0,657, recall 0,595, dan F1-score 0,608. Setelah dilakukan peningkatan, model improved menunjukkan peningkatan performa dengan accuracy sebesar 0,722, precision 0,705, recall 0,653, dan F1-score 0,669. Selain itu, hasil analisis menunjukkan bahwa distribusi sentimen didominasi oleh sentimen positif, diikuti oleh netral dan negatif. Kata-kata dominan yang muncul dalam ulasan berkaitan dengan promo, belanja, aplikasi, dan pengiriman, yang mencerminkan pengalaman pengguna terhadap layanan Alfagift. Berdasarkan hasil tersebut, dapat disimpulkan bahwa penerapan preprocessing yang komprehensif, penggunaan TF-IDF dengan n-gram, serta tuning parameter pada Naive Bayes mampu meningkatkan performa klasifikasi sentimen secara signifikan.