<![CDATA[Perkembangan aplikasi e-commerce di Indonesia mendorong meningkatnya jumlah ulasan pengguna pada platform Google Playstore. Ulasan tersebut mengandung informasi penting mengenai persepsi dan tingkat kepuasan pengguna terhadap layanan aplikasi. Namun, besarnya volume data ulasan menyebabkan analisis manual menjadi tidak efisien. Oleh karena itu, diperlukan pendekatan otomatis berbasis Natural Language Processing (NLP) untuk mengklasifikasikan sentimen ulasan pengguna. Penelitian ini bertujuan untuk membandingkan kinerja model IndoBERT dan K-Nearest Neighbor (KNN) dalam analisis sentimen ulasan aplikasi Tokopedia di Google Playstore. Dataset yang digunakan berjumlah 12.172 ulasan pengguna yang diklasifikasikan ke dalam tiga kelas sentimen, yaitu positif, netral, dan negatif. Proses pelabelan sentimen dilakukan menggunakan kamus InSet. Evaluasi performa model dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score, serta dianalisis menggunakan confusion matrix. Hasil penelitian menunjukkan bahwa model IndoBERT memiliki performa yang lebih unggul dibandingkan KNN dalam seluruh metrik evaluasi. Temuan ini menunjukkan bahwa model berbasis transformer lebih efektif dalam memahami konteks bahasa Indonesia pada data ulasan aplikasi.]]>
Copyrights © 2025
