<![CDATA[Perkembangan teknologi digital mendorong perubahan pola konsumsi masyarakat, termasuk dalam pemanfaatan aplikasi belanja daring seperti Sayur Box. Aplikasi ini memiliki banyak ulasan pengguna yang berisi persepsi terhadap layanan, namun data tersebut bersifat tidak terstruktur sehingga memerlukan pendekatan berbasis kecerdasan buatan untuk dianalisis. Penelitian ini bertujuan untuk mengklasifikasikan sentimen ulasan pengguna aplikasi Sayur Box dengan menggunakan algoritma Support Vector Machine (SVM) dan mengevaluasi tingkat akurasi model yang dibangun. Sebanyak 1.287 komentar dari Google Play Store dikumpulkan melalui proses web crawling menggunakan Python. Data yang diperoleh kemudian melalui tahapan prapemrosesan, meliputi case folding, pembersihan teks, tokenisasi, penghapusan stopword, normalisasi, dan stemming. Representasi kata menggunakan metode Term Frequency-Inverse Document Frequency (TF-IDF) untuk mengekstraksi kata-kata yang paling berpengaruh pada masing-masing dokumen. Dataset hasil prapemrosesan digunakan untuk melatih model SVM yang membedakan sentimen positif dan negatif. Hasil evaluasi menunjukkan bahwa model SVM memiliki kinerja yang baik dengan akurasi keseluruhan mencapai 91%. Kelas negatif menunjukkan performa terbaik dengan nilai precision 0,91, recall 0,96, dan f1-score 0,94, sedangkan kelas positif memperoleh f1-score 0,86. Kinerja pada kelas netral masih rendah karena ketidakseimbangan data, yang tercermin pada nilai precision, recall, dan f1-score bernilai nol. Uji 10-fold cross-validation memperlihatkan bahwa akurasi model stabil di atas 88% pada sebagian besar fold dengan puncak 91,5% pada fold ke-9.]]>
Copyrights © 2025
