<![CDATA[Perkembangan aplikasi profesional seperti LinkedIn mendorong meningkatnya jumlah ulasan pengguna, namun volume data yang besar menyulitkan proses analisis sentimen secara manual. Permasalahan utama dalam penelitian ini adalah bagaimana mengklasifikasikan sentimen ulasan pengguna secara akurat untuk mengetahui persepsi pengguna terhadap aplikasi LinkedIn. Penelitian ini bertujuan untuk membandingkan kinerja algoritma Naïve Bayes dan K-Nearest Neighbor (KNN) dalam analisis sentimen ulasan pengguna LinkedIn. Metode penelitian yang digunakan adalah CRISP-DM, dengan tahapan preprocessing teks .Ekstraksi fitur dilakukan menggunakan metode Term Frequency–Inverse Document Frequency (TF-IDF). Dataset yang digunakan terdiri dari 3.500 ulasan pengguna dengan pembagian data latih dan data uji sebesar 80% dan 20%. Hasil evaluasi menunjukkan bahwa algoritma Naïve Bayes memperoleh performa yang lebih baik dengan accuracy sebesar 88%, nilai AUC sebesar 0,9424, sedangkan KNN menghasilkan accuracy sebesar 79% dan nilai AUC sebesar 0,8557. Hasil penelitian ini menunjukkan bahwa Naïve Bayes lebih efektif dalam mengklasifikasikan sentimen ulasan aplikasi LinkedIn dan dapat diimplementasikan ke dalam aplikasi berbasis web sebagai sistem pendukung analisis sentimen.]]>
Copyrights © 2026
