Analisis Sentimen Ulasan Produk E-Commerce Berbasis Teks Dengan Pendekatan Probabilistik Naive Bayes

“Klasifikasi Sentimen Ulasan Produk Berbahasa Indonesia Berbasis Probabilistic Naive Bayes”

Abstract

Pesatnya perkembangan e-commerce di Indonesia menyebabkan meningkatnya jumlah ulasan produk yang dihasilkan oleh konsumen. Ulasan berbasis teks tersebut mengandung opini yang dapat memengaruhi keputusan pembelian, namun jumlah data yang besar membuat analisis sentimen secara manual menjadi tidak efektif dan memerlukan waktu yang lama. Oleh karena itu, diperlukan pendekatan analisis sentimen otomatis yang mampu mengklasifikasikan opini konsumen secara akurat. Penelitian ini bertujuan untuk menganalisis sentimen ulasan produk e-commerce, mengklasifikasikan ulasan ke dalam kategori positif dan negatif, serta mengevaluasi kinerja algoritma probabilistik Naive Bayes dalam proses klasifikasi sentimen. Penelitian ini menggunakan pendekatan kuantitatif dengan memanfaatkan 1.000 data ulasan produk berbahasa Indonesia yang dikumpulkan dari platform e-commerce melalui teknik web scraping. Tahapan preprocessing meliputi pembersihan teks, case folding, tokenisasi, normalisasi kata, penghapusan stopword, dan stemming untuk meningkatkan kualitas data. Ekstraksi fitur dilakukan menggunakan metode Term Frequency–Inverse Document Frequency (TF-IDF), kemudian proses klasifikasi sentimen dilakukan menggunakan algoritma Naive Bayes. Evaluasi kinerja model dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model mampu mencapai tingkat akurasi sebesar 89%, dengan nilai precision 87%, recall 88%, dan F1-score 87,5%. Hasil tersebut membuktikan bahwa algoritma Probabilistic Naive Bayes efektif dalam mengidentifikasi pola sentimen pada ulasan produk e-commerce berbahasa Indonesia. Dengan demikian, metode ini dapat digunakan sebagai solusi yang efisien dan andal untuk mendukung analisis sentimen otomatis pada platform e-commerce.