Analisis Klasifikasi Sentimen Ulasan pada E-Commerce Shopee Berbasis Word Cloud dengan Metode Naive Bayes dan K-Nearest Neighbor

Saat ini internet memungkinkan pengguna untuk membuat ulasan secara online diberbagai jenis platform. Salah satunya aplikasi e-commerce Shopee pada website google play store dimana kelas sentimen positif dan negatif yang terdapat pada ulasan online jelas mencerminkan persepsi pengguna tentang berbagai jenis layanan dan produk yang ada. Selain itu, pelanggan berpotensial yang membaca ulasan online dapat secara signifikan terpengaruh oleh sentimen dari ulasan yang tertera pada kolom ulasan. Hal ini menandakan ulasan yang bersentimen positif ataupun negatif yang ditinggalkan oleh pengguna sangat mempengaruhi pengguna lainnya dalam memilih layanan maupun produk yang dicari. Oleh karena itu perlunya analisis sentimen untuk mengklasifikasi dataset yang begitu banyak sehingga dapat dengan mudah mengetahui apa saja sentimen pelanggan. penelitian ini menggunakan data ulasan sebanyak 500 ulasan . Kemudian ulasan tersebut diklasifikasi menggunakan aplikasi orange dengan metode Naïve Bayes dan K-Nearest Neighbor (KNN). Kemudian selanjutnya menggunakan metode word cloud untuk mengetahui topik-topik yang sering diulas oleh pelanggan. Hasilnya setelah menggunakan metode Naive Bayes memperoleh hasil nilai accuracy 0,914, precision 0,915, recall 0,914 dan F1 score 0,916. Sedangkan metode KNN memperoleh nilai accuracy 0,928, precision 0,929, recall 0,928, dan F1 score 0,926. Hal ini membuktikan bahwa dalam penelitian ini kinerja metode KNN lebih baik. Kemudian berdasarkan hasil word cloud yang diperoleh didapatkan informasi kata dengan sentimen positif yang paling sering diulas oleh pelanggan diantaranya terkait kata: gratis, bagus, suka, murah, mudah, dan cepat. Sedangkan informasi sentimen negatif yang diperoleh seperti kata : kecewa, jelek, mahal, bohong, ribet, dan perbaiki. AbstractToday the internet allows users to create online reviews on various types of platforms. One of them is the Shopee e-commerce application on the google play store website, where the positive and negative sentiment classes contained in online reviews reflect user perceptions about the various types of services and products available. Also besides, potential customers who read online reviews can be significantly affected by the sentiment of the reviews listed in the review column. This indicates that positive or negative reviews left by users greatly influence other users in choosing the services or products they are looking for. Therefore the need for sentiment analysis to classify such a large dataset so that you can easily find out what customer sentiments are. This study uses a dataset of 500 reviews. Then the reviews are classified using the orange application with the Naïve Bayes and K-Nearest Neighbor (KNN) methods. Then use the word cloud method to find out topics that are frequently reviewed by customers. The results, after using the Naïve Bayes method, get the accuracy value of 0.914, precision 0.915, recall 0.914, and F1 score 0.916. Meanwhile, the KNN method obtained an accuracy value of 0.928, precision 0.929, recall 0.928, and F1 score 0.926. This proves that in this study the performance of the KNN method is better. Then based on the word cloud results obtained word information with positive sentiments that are most often shared by customers related to words: free, good, like, cheap, easy, and fast. Meanwhile, the negative sentiment information obtained includes the words: disappointed, ugly, expensive, lying, complicated, and fix.