OPTIMASI ANALISIS SENTIMEN ULASAN PENGGUNA APLIKASI SHOPEE DENGAN METODE NAIVE BAYES, SUPPORT VECTOR MACHINE, DAN BERT

Abstrak

Pertumbuhan pesat e-commerce di Indonesia telah mendorong peningkatan volume ulasan pengguna yang sulit dikelola secara manual. Shopee sebagai salah satu platform e-commerce terbesar menerima ribuan ulasan harian dengan keragaman bahasa dan ekspresi yang kompleks. Tantangan dalam mengelola data ulasan ini menjadi dasar perlunya penerapan teknologi analisis sentimen yang efisien dan akurat. Penelitian ini berfokus pada optimalisasi analisis sentimen terhadap ulasan pengguna Shopee dengan membandingkan tiga metode populer: Naive Bayes, Support Vector Machine (SVM), dan Bidirectional Encoder Representations from Transformers (BERT). Penelitian ini menggunakan pendekatan eksperimental dengan dataset ulasan Shopee berbahasa Indonesia yang diperoleh dari platform publik. Data melalui proses preprocessing seperti tokenisasi, normalisasi, stopword removal, dan stemming. Selanjutnya, dilakukan pelatihan model menggunakan tiga metode klasifikasi: Naive Bayes dengan representasi TF-IDF, SVM dengan optimasi parameter melalui GridSearchCV, dan BERT dengan fine-tuning pada model IndoBERT. Evaluasi performa model dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score, serta validasi dengan teknik train-test split. Hasil penelitian menunjukkan bahwa model BERT memiliki performa tertinggi dengan akurasi mencapai 90%, diikuti oleh SVM sebesar 85%, dan Naive Bayes sebesar 78%. BERT unggul dalam memahami konteks dan nuansa bahasa alami, terutama dalam menangani struktur kalimat kompleks dalam ulasan. Meskipun SVM juga menunjukkan kinerja yang baik dalam klasifikasi, metode ini memerlukan proses optimasi parameter yang lebih intensif. Naive Bayes, meskipun sederhana dan cepat, memiliki keterbatasan dalam menangani konteks linguistik yang kompleks, namun tetap relevan sebagai baseline. Penelitian ini menyimpulkan bahwa model BERT merupakan metode paling efektif untuk analisis sentimen ulasan Shopee dalam konteks bahasa Indonesia. Implikasi dari temuan ini membuka peluang penerapan BERT secara lebih luas dalam sistem rekomendasi dan pengelolaan feedback pengguna di platform e-commerce. Penelitian selanjutnya disarankan untuk mengeksplorasi penggabungan model atau pendekatan ensemble guna meningkatkan akurasi dan efisiensi klasifikasi sentimen secara berkelanjutan. Kata kunci: analisis sentimen, Shopee, Naive Bayes, Support Vector Machine, BERT, e-commerce

Berkas

Detail