Analisis Sentimen Pada Ulasan Pengguna Aplikasi Identitas Kependudukan Digital Dengan Metode Naive Bayes Dan K-Nearest

Abstract

Penelitian ini bertujuan untuk melakukan analisis sentimen terhadap data ulasan pengguna aplikasi Identitas Kependudukan Digital (IKD) dengan membandingkan performa dua metode, yakni Naive Bayes dan K-Nearest Neighbor (KNN). Data ulasan diambil dari Google Play Store lalu dipreprocess melalui text cleaning, case folding, tokenization, filtering, stemming, serta removal stopword agar siap dianalisis. Selanjutnya dilakukan transformasi data tekstual menjadi representasi numerik melalui pembobotan TF-IDF dan ekstraksi fitur. Kedua metode machine learning kemudian diimplementasikan untuk melakukan klasifikasi ulasan ke dalam dua kelas sentimen, yaitu positif dan negatif.Hasil penelitian menunjukkan bahwa KNN secara signifikan mengungguli Naive Bayes dalam hal akurasi dan presisi klasifikasi sentimen pada data ulasan aplikasi IKD. KNN mampu mencapai akurasi rata-rata 82,85% dan presisi di atas 80% untuk kedua kelas sentimen. Walaupun demikian, masih terdapat peluang peningkatan performa dengan melakukan parameter tuning serta kombinasi dengan metode lain seperti SVM atau deep learning. Secara keseluruhan, penelitian ini berhasil membuktikan efektivitas penerapan Naive Bayes dan KNN untuk analisis sentimen, khususnya KNN yang menunjukkan hasil paling optimal. Hasil penelitian diharapkan dapat memberikan wawasan bermanfaat untuk evaluasi dan pengembangan aplikasi IKD agar lebih user-friendly dan sesuai dengan kebutuhan masyarakat Indonesia.