<![CDATA[Dalam perkembangan era digital yang begitu cepat, ulasan produk yang diberikan oleh konsumen secara online telah menjadi sumber informasi yang krusial bagi perusahaan dan juga calon pembeli. Melalui analisis sentimen terhadap ulasan-ulasan tersebut, perusahaan dapat memperoleh informasi yang berharga dalam mengambil keputusan bisnis dan memahami pandangan masyarakat terhadap produk tertentu. Penelitian ini bertujuan untuk membandingkan akurasi dua algoritma klasifikasi populer, yaitu Naive Bayes dan K-Nearest Neighbor (K-NN), dalam mengklasifikasikan sentimen ulasan produk ke dalam kategori positif atau negatif. Data yang digunakan dalam penelitian ini adalah kumpulan ulasan produk yang diperoleh dari sebuah platform e-commerce, yang kemudian melalui serangkaian proses preprocessing data, antara lain tokenisasi, text cleaning, stopword removal, dan stemming. Setelah proses tersebut, data diubah ke dalam bentuk fitur dengan menggunakan metode TF-IDF. Model Naive Bayes dan K-NN dibangun dan diuji dengan membagi data ke dalam training dan testing set menggunakan metode k-fold cross validation. Hasil evaluasi menunjukkan bahwa setiap algoritma memiliki keunggulannya masing-masing. Naive Bayes menunjukkan keunggulan dalam hal kecepatan komputasi dan efisiensi ketika diterapkan pada dataset yang besar, sedangkan K-NN mampu memberikan hasil yang kompetitif dengan pemilihan parameter k yang tepat. Namun, dalam hal akurasi secara keseluruhan, algoritma Naive Bayes berkinerja sedikit lebih baik daripada K-NN.]]>
Copyrights © 2025
