<![CDATA[Ulasan pelanggan pada platform e-commerce merupakan data krusial untuk wawasan bisnis, namun volumenya yang besar menuntut adanya analisis sentimen otomatis . Penelitian ini bertujuan untuk merancang dan membangun sebuah prototipe aplikasi web yang fungsional untuk melakukan klasifikasi sentimen pada ulasan e-commerce secara otomatis. Sistem ini dirancang untuk mengimplementasikan dan membandingkan kinerja dari tiga model machine learning yang berbeda: metode probabilistik Naïve Bayes, ensemble learning LightGBM, dan deep learning sekuensial Gated Recurrent Unit (GRU). Data ulasan (20.100) dikumpulkan dari Google Play Store melalui web scraping dan melalui tahap pra-pemrosesan teks sebelum diimplementasikan pada ketiga model . Hasil pengujian kinerja menunjukkan adanya trade-off antara performa dan efisiensi. GRU mencapai F1-Score tertinggi (0.8082) namun dengan waktu komputasi terlama (877.72 detik). Naïve Bayes menunjukkan Akurasi tertinggi (0.8841) dan waktu pelatihan tercepat (0.027 detik), namun dengan nilai Recall terendah (0.7420) . Pengujian fungsionalitas (Black Box Testing) membuktikan semua fitur berjalan "valid" , dan pengujian System Usability Scale (SUS) terhadap 30 responden menghasilkan skor rata-rata 93.84 (kategori "Excellent").]]>
Copyrights © 2026
