<![CDATA[Abstract: The rapid growth of the e-commerce industry in Indonesia compels companies to actively evaluate customer satisfaction through tingkat kepuasant analysis of app reviews. This study aims to compare the effectiveness of the K-Nearest Neighbors (K-NN) and Naive Bayes algorithms in assessing user satisfaction levels of the Shopee app as a component of IT governance. The research data comprises 2,000 samples of Shopee user reviews collected from Google Play Store and App Store, classified into five rating categories: excellent, good, fair, poor, and bad, based on textual content analysis. The preprocessing stage involved text cleaning (removing stopwords and punctuation), feature extraction using TF-IDF, and an 80:20 split of the dataset (training and testing). The analysis revealed significant differences between the two algorithms. K-NN achieved an accuracy of 54% with the optimal parameter *K=5*, while Naive Bayes demonstrated superior performance with 98% accuracy. The low accuracy of K-NN is suspected to stem from its sensitivity to data imbalance and noise in text features, whereas Naive Bayes, with its probabilistic foundation, better handles the sparse characteristics of review data. These findings emphasize the criticality of selecting appropriate algorithms in IT governance for user satisfaction analysis. Naive Bayes is recommended as the optimal approach for text classification in e-commerce reviews, while K-NN requires refinement through techniques such as feature normalization or class imbalance handling. The study also highlights the need to integrate adaptive models, such as deep learning, to enhance accuracy in complex scenarios. For future research, expanding data scope or implementing multilingual analysis could serve as strategic steps to improve result generalization. Keywords: K-NN, Naive Bayes, E-commerce, user satisfaction, IT governance, Shopee. Abstrak: Perkembangan yang cepat dalam industri e-commerce di Indonesia mendorong perusahaan untuk secara aktif mengevaluasi kepuasan pelanggan melalui analisis kepuasan pelanggan dari ulasan aplikasi. Studi ini bertujuan untuk membandingkan efektivitas algoritma K-Nearest Neighbors (K-NN) dan Naive Bayes dalam menilai tingkat kepuasan pengguna aplikasi Shopee sebagai komponen tata kelola teknologi informasi. Data penelitian mencakup 2000 sampel ulasan pengguna Shopee yang diambil dari Google Play Store dan App Store, dengan klasifikasi penilaian 5 kategori yaitu sangat puas, puas, cukup puas, kurang puas dan buruk pada konten teks. Proses pra-pemrosesan data melibatkan pembersihan teks (menghilangkan kata penghubung, tanda baca), ekstraksi ciri menggunakan TF-IDF, serta pembagian dataset menjadi 80% pelatihan dan 20% pengujian. Hasil analisis mengungkapkan perbedaan yang signifikan antara kedua algoritma. K-NN mencapai akurasi 58,50% dengan parameter *K=5*, sementara Naive Bayes menunjukkan performa lebih unggul dengan akurasi 100%. Rendahnya akurasi K-NN diduga berasal dari kepekaan algoritma terhadap ketidakseimbangan data dan gangguan pada fitur teks, sedangkan Naive Bayes, yang berbasis probabilitas, lebih mampu mengatasi karakteristik data yang jarang (sparse) dalam ulasan. Temuan ini menekankan pentingnya pemilihan algoritma yang sesuai dalam tata kelola TI untuk analisis kepuasan pengguna. Naive Bayes direkomendasikan sebagai pendekatan optimal untuk klasifikasi teks pada ulasan e-commerce, sedangkan K-NN perlu disempurnakan melalui teknik seperti normalisasi fitur atau penanganan ketidakseimbangan kelas. Studi ini juga mengidentifikasi perlunya integrasi model adaptif, seperti deep learning, untuk meningkatkan akurasi dalam skenario yang lebih kompleks. Untuk penelitian mendatang, perluasan cakupan data atau penerapan analisis multibahasa dapat menjadi langkah strategis guna meningkatkan generalisasi hasil. Kata kunci: K-NN, Naive Bayes, E-commerce, Kepuasan Pengguna, Tata Kelola TI, Shopee.]]>
