Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Syntax Literate: Jurnal Ilmiah Indonesia
Endah Kurnia Fitri
Universitas Pelita Bangsa
Humanities Education Environmental Science Law, Crime, Criminology & Criminal Justice Social Sciences Other

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Perbandingan Metode Machine Learning Klasik (Naive Bayes dan SVM) dan IndoBERT untuk Analisis Sentimen Ulasan Produk pada Platform Tokopedia Endah Kurnia Fitri; Abdul Halim Anshor; M. Syaibani Anwar
Syntax Literate Jurnal Ilmiah Indonesia
Publisher : Syntax Corporation

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36418/syntax-literate.v11i6.64746

Abstract

Penelitian ini dilatarbelakangi oleh meningkatnya jumlah ulasan produk pada platform e-commerce yang menghasilkan data teks dalam jumlah besar dan tidak terstruktur sehingga memerlukan metode analisis sentimen yang efektif. Tujuan penelitian ini adalah untuk membandingkan kinerja metode machine learning klasik (Naive Bayes dan Support Vector Machine) dengan model deep learning IndoBERT dalam klasifikasi sentimen ulasan produk Tokopedia. Penelitian ini menggunakan pendekatan kuantitatif dengan metode eksperimen komparatif. Data yang digunakan merupakan dataset sekunder dari Kaggle yang terdiri dari ulasan produk Tokopedia. Proses analisis dilakukan melalui tahap preprocessing, ekstraksi fitur TF-IDF untuk model klasik, serta fine-tuning IndoBERT untuk model berbasis transformer. Evaluasi model menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa IndoBERT memberikan performa terbaik dengan accuracy 97,80% dan F1-score 97,66%, diikuti oleh SVM dan Naive Bayes. Meskipun perbedaan akurasi relatif kecil, IndoBERT menunjukkan kemampuan lebih baik dalam mengenali kelas sentimen minoritas seperti negatif dan netral. Kesimpulannya, model berbasis transformer lebih unggul dalam menangkap konteks bahasa dibandingkan metode klasik, terutama pada dataset yang tidak seimbang.
Co-Authors Abdul Halim Anshor M. Syaibani Anwar