Kindi Setiadi
Unknown Affiliation

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

Found 1 Documents
Search

ANALISIS SENTIMEN PELANGGAN TERHADAP LAYANAN SHOPEEFOOD PADA MEDIA SOSIAL TWITTER MENGGUNAKAN ALGORITMA NAÏVE BAYES DAN SUPPORT VECTOR MACHINE (SVM) Kindi Setiadi
Komputa : Jurnal Ilmiah Komputer dan Informatika Vol 12 No 1 (2023): Komputa : Jurnal Ilmiah Komputer dan Informatika
Publisher : Program Studi Teknik Informatika - Universitas Komputer Indonesia (UNIKOM)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34010/komputa.v12i1.7497

Abstract

Banyaknya pengguna internet dan teknologi yang semakin canggih saat ini, kita dapat dengan cepat menemukan apa yang kita inginkan melalui E-Commerce dan dapat digunakan sebagai peluang bisnis dengan membuka toko online. Salah satunya adalah Shopee yang telah merilis layanan ShopeeFood sebagai layanan pesan antar makanan secara online yang dapat memudahkan masyarakat. ShopeeFood memiliki kurang lebih dari 500 mitra merchant di Jabodetabek dalam setahun. Semakin banyaknya minat masyarakat terhadap layanan tersebut. Dalam hal ini masyarakat banyak memberikan pendapat mereka menggunakan media sosial terutama twitter. Tujuan penelitian ini adalah dapat menganalisis opini masyarakat yang nantinya dapat diklasifikasikan oleh metode naïve bayes dan support vector machine, kemudian hasil klasifikasi terdapat 2 kelas negatif dan positif. Metode penelitian yang digunakan adalah pengumpulan data, pembersihan data, dan klasifikasi. Adapun hasil perfoma analisis sentimen menggunakan algoritma naïve bayes dengan tingkat akurasi 90.43%, presisi 99.74%, recall 76.65%, dan f1-score 86.68%. Sedangkan algoritma support vector machine memiliki tingkat akurasi 99.27%, presisi 99.60%, recall 98.60%, dan f1-score 99.10%. Hasil perbandingan dari kedua algoritma tersebut dapat disimpulkan bahwa support vector machine memilki akurasi yang lebih baik sebesar 99.27% dibandingkan algoritma naïve bayes sebesar 90.43%. Sehingga akurasi pada algoritma support vector machine dapat dimanfaatkan sebagai model yang dapat digunakan sebagai prediksi sebuah kalimat.