ANALISIS SENTIMEN ULASAN PELANGGAN STARBUCKS MENGGUNAKAN NAÏVE BAYES DAN SUPPORT VECTOR MACHINE
Article Sidebar
Read Counter : 3
Download : 3
Main Article Content
Abstract
This research applies the classification approach of Naive Bayes and Support Vector Machine (SVM) to analyze customer sentiment in Starbucks reviews. Customer review data is extracted from online platforms, followed by a preprocessing stage. Naive Bayes and SVM are employed to classify sentiments into positive, negative, or neutral, with performance evaluation using classification metrics. The results indicate that their combination provides more accurate sentiment analysis, potentially aiding companies in understanding customer perceptions and enhancing product and service quality. This research contributes to the development of effective sentiment analysis methods in a business context.
Article Details
Section
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Menawarkan akses terbukaReferences
[1] T. A. Q. Putri, A. Triayudi, R. T. Aldisa, "Implementasi Algoritma Decision Tree dan Naïve Bayes Untuk Klasifikasi Sentimen Terhadap Kepuasan Pelanggan Starbucks", Journal of Information System Research (JOSH), vol. 4, no. 2, pp 641−649, 2023.
[2] S. Watmah, Suryanto, Martias, "Komparasi Metode K-NN, Support Vector Machine, Dan Random Forest Pada E-Commerce Shopee", INSANtek – Jurnal Inovasi dan Sains Teknik Elektro, vol. 2, no. 1, 2021.
[3] J. P. Putra, T. Janji, R. Sitinjak, “Pengaruh kualitas produk dan harga terhadap kepuasan pelanggan Kopi Starbucks di Summarecon Mall Kelapa Gading 3”, Jurnal Ilmiah Akuntansi dan Keuangan, vol. 4, no. 8, p. 2022, 2022, [Online]. Available: https://journal.ikopin.ac.id/index.php/fairvalue.
[4] A. S. D. Herlambang, E. Komara, A. S. Herlambang, “Pengaruh Kualitas Produk, Kualitas Pelayanan, Dan Kualitas Promosi Terhadap Kepuasan Pelanggan (Studi kasus pada Starbucks Coffee Reserve Plaza Senayan),” Jurnal Ekonomi, Manajemen dan Perbankan (Journal of Economics, Management and Banking), vol. 7, no. 2, 2021.
[5] D. A. A. Kurniawan, E. Utami, H. A. Fatta, "Analisis Sentimen Pada Opini Pengguna Aplikasi Qasir Menggunakan Support Vector Machine Dan Random Forest", TEKNIMEDIA Teknologi Informasi dan Multimedia 4, vol. 1, no. 1-8, 2023.
[6] M. I. Medina, "Penting untuk Data Scientist, Ketahui Apa Saja Fungsi dan Fitur Jupyter", 2022. [Online]. Available: https://glints.com/id/lowongan/Jupyter-adalah/.
[7] B. Prasojo, E. Haryatmi, "Analisa Prediksi Kelayakan Pemberian Kredit Pinjaman dengan Metode Random Forest", Jurnal Nasional Teknologi Dan Sistem Informasi, vol. 7, no. 2, 2021.
[8] Yunitasari, H. S. Hopipah, R. Mayasari, “Optimasi Backward Elimination untuk Klasifikasi Kepuasan Pelanggan Menggunakan Algoritme k-Nearest Neighbor (k-NN) dan Naïve Bayes”, Technomedia Journal (TMJ), vol. 6, no. 1, 2021, doi: 10.33050/tmj.v6i1.
[9] A. K. Febrian, Y. H. Chrisnanto, D. Pupita, N. Sabrina, J. A. Yani, “Studi Komparasi Metode Klasifikasi K-Nearest Neghbor dan Naïve Bayes dalam Mengidentifikasi Kepuasan Pelanggan Terhadap Produk”, Seminar Nasional Teknik Elektro, Sistem Informasi, dan Teknik Informatika, p. 333, 2022, doi: 10.31284/p.snestik.2022.2717.
[10] M. A. Nurhakim, Y. Widiastiwi, N. Chamidah, “Analisis Sentimen Terhadap Ulasan Kepuasan Pelanggan Pada Marketplace Tokopedia Di Jejaring Sosial Twitter Menggunakan Algoritma Naïve Bayes”, Jurnal Ilmiah Betrik, vol. 14, no. 2, 2022.
[11] N. Saurina, T. Rahayuningsih, L. Retnawati, “Analisis Sentimen Ulasan Pelanggan Batik Ecoprint Menggunakan Naïve Bayes Dan KNN Classifier”, Jurnal Teknik Informatika dan Sistem Informasi, vol. 9, no. 2, 2022.
[12] D. Sepri, “Penerapan Algoritma Naïve Bayes Untuk Analisis Kepuasan Penggunaan Aplikasi Bank”, Journal of Computer System and Informatics (JoSYC), vol. 2, no. 1, 2020.
[13] M. I. Petiwi, A. Triayudi, I. D. Sholihati, “Analisis Sentimen Gofood Berdasarkan Twitter Menggunakan Metode Naïve Bayes dan Support Vector Machine”, JURNAL MEDIA INFORMATIKA BUDIDARMA, vol.6, no.1, 2022.
[14] D. J. Pangestu, A. Kodar, “Implementasi Multinomial Naïve Bayes Untuk Klasifikasi Sentimen Terhadap Pelayanan Perusahaan Otobus Menggunakan Data Facebook (Studi Kasus: Grup Facebook Murni Jaya Lovers)”, Jurnal Informatika: Jurnal pengembangan IT (JPIT), vol.7, no.3, 2022.
[15] A. Syafii, G. Dwilestari, A. Ajiz, “Komparasi Algoritma Naïve Bayes Dan Algoritma C4.5 Dalam Klasifikasi Pelanggan Produk Indihome”, JURSIMA Jurnal Sistem Informasi dan Manajemen, vol. 10, no. 2, 2022.
[16] W. I. Rahayu, A. Anindita, M. N. Fauzan, “Penentuan Validasi Data Pemilih Dan Klasifikasi Hasil Pemilu Dprd Kab.Bone Untuk Memprediksi Partai Pemenang Menggunakan Metode Naive Bayes”, Jurnal Teknik Informatika, vol. 14, no. 1, 2022.
[17] A. Tangkelayuk, E. Mailoa, “Klasifikasi Kualitas Air Menggunakan Metode KNN, Naïve Bayes Dan Decision Tree”, Jurnal Teknik Informatika dan Sistem Informasi, vol. 9, no. 2, 2022.
[18] Farmawati, Narti, “Perbandingan Algoritma C4.5 dan Naive Bayes dalam Klasifikasi Tingkat Kepuasan Mahasiswa Terhadap Pembelajaran Daring”, JTIM : Jurnal Teknologi Informasi dan Multimedia, vol. 4, no. 1, 2022.
[19] M. A. Djamaludin, A. Triayudi, E. Mardiani, “Analisis Sentimen Tweet KRI Nanggala 402 di Twitter menggunakan Metode Naïve Bayes Classifier”, Jurnal JTIK (Jurnal Teknologi Informasi dan Komunikasi, vol. 6, no. 2, 2022.
[20] A. Rozaqi, A. Triayudi, R. T. Aldisa, “Analisis Sentimen Vaksinasi Booster Berdasarkan Twitter Menggunakan Algoritma Naïve Bayes dan K-NN”, Jurnal Sistem Komputer dan Informatika (JSON), vol. 4, no. 1, 2022.