KLASIFIKASI SENTIMEN ULASAN E-COMMERCE MENGGUNAKAN NAÏVE BAYES, LIGHTGBM, DAN GRU
Article Sidebar
Read Counter : 0
Download : 0
Main Article Content
Abstract
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").
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
This work is licensed under a Jurnal Komunikasi Creative Commons Attribution-ShareAlike 4.0 International License.
References
[1] R. Rachmiani, N. Kintan Oktadinna, and T. Rachmat Fauzan, “The Impact of Online Reviews and Ratings on Consumer Purchasing Decisions on E-commerce Platforms,” International Journal of Management Science and Information Technology, vol. 4, no. 2, pp. 504–515, Dec. 2024, doi: 10.35870/ijmsit.v4i2.3373.
[2] N. M. Y. D. A. Ni Made Yulia Dewati Ayu and Jakaria, “Pengaruh E-Commerce Terhadap Ekonomi Indonesia,” Jurnal Ekonomi Trisakti, vol. 3, no. 2, pp. 2891–2900, Aug. 2023, doi: 10.25105/jet.v3i2.17499.
[3] K. Taha, P. D. Yoo, C. Yeun, D. Homouz, and A. Taha, “A comprehensive survey of text classification techniques and their research applications: Observational and experimental insights,” Comput Sci Rev, vol. 54, p. 100664, Nov. 2024, doi: 10.1016/j.cosrev.2024.100664.
[4] B. I. Hasbi and I. S. Putro, “Perbandingan Kinerja Algoritma Naive Bayes Dan Support Vector Machine untuk Analisis Sentimen Ulasan Produk E-Commerce Menggunakan Pembobotan TF-IDF,” vol. 9, no. 2, p. 123, 2025, doi: 10.37817/ikraith-informatika.v9i2.
[5] D. Wardana, L. Muflikhah, and R. Perdana, “Analisis Sentimen Ulasan Pengguna Aplikasi Mypertamina Pada Google Play Store Menggunakan Metode Xgboost dan Word2Vec Embedding,” J-PTIIK: Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 9, no. 8, Aug. 2025.
[6] R. Merdiansah, S. Siska, and A. Ali Ridha, “Analisis Sentimen Pengguna X Indonesia Terkait Kendaraan Listrik Menggunakan IndoBERT,” Jurnal Ilmu Komputer dan Sistem Informasi (JIKOMSI), vol. 7, no. 1, pp. 221–228, Mar. 2024, doi: 10.55338/jikomsi.v7i1.2895.
[7] J. A. Wibowo, V. C. Mawardi, and T. Sutrisno, “Penerapan Support Vector Machine untuk Analisis Sentimen Fitur Layanan pada Ulasan Gojek,” Jurnal Ilmu Komputer dan Sistem Informasi, vol. 12, no. 1, Jan. 2024, doi: 10.24912/jiksi.v12i1.28211.
[8] P.-Ning. Tan, Michael. Steinbach, Anuj. Karpatne, and Vipin. Kumar, Introduction to data mining. Pearson Education, Inc., 2019.
[9] Pristiyono, M. Ritonga, M. A. Al Ihsan, A. Anjar, and F. H. Rambe, “Sentiment analysis of COVID-19 vaccine in Indonesia using Naïve Bayes Algorithm,” IOP Conf Ser Mater Sci Eng, vol. 1088, no. 1, p. 012045, Feb. 2021, doi: 10.1088/1757-899X/1088/1/012045.
[10] G. Ke et al., “LightGBM: A Highly Efficient Gradient Boosting Decision Tree.” [Online]. Available: https://github.com/Microsoft/LightGBM.
[11] Ekka Pujo Ariesanto Akhmad, “Enhancing the Accuracy of Airline Review Classification Using SMOTE and Grid Search with Cross Validation for Hyperparameter Tuning,” Journal of Information Systems Engineering and Management, vol. 10, no. 25s, pp. 850–861, Mar. 2025, doi: 10.52783/jisem.v10i25s.4174.
[12] K. Cho et al., “Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation,” in Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP), Stroudsburg, PA, USA: Association for Computational Linguistics, 2014, pp. 1724–1734. doi: 10.3115/v1/D14-1179.
[13] A. Géron, Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow : concepts, tools, and techniques to build intelligent systems. O’Reilly Media, Inc., 2019.
[14] D. A. Mohammed and K. A. Patel, “An Improved GRU Based On Reccurent Attention Unit and Self-Attention Technique for Text Sentiment Analysis,” ICTACT Journal on Soft Computing, vol. 15, no. 4, pp. 3737–3745, Jan. 2025, doi: 10.21917/ijsc.2025.0518.
[15] A. P. Putra, F. Andriyanto, K. Karisman, T. D. M. Harti, and W. P. Sari, “Pengujian Aplikasi Point of Sale Menggunakan Blackbox Testing,” Jurnal Bina Komputer, vol. 2, no. 1, pp. 74–78, Feb. 2020, doi: 10.33557/binakomputer.v2i1.757.
[16] S. Aisyah, E. Saputra, N. Rozanda, and T. Ahsyar, “Evaluasi Usability Website Dinas Pendidikan Provinsi Riau Menggunakan Metode System Usability Scale,” Jurnal Ilmiah Rekayasa dan Manajemen Sistem Informasi, vol. 7, no. 2, pp. 125–132, Aug. 2021, Accessed: Oct. 26, 2025. [Online]. Available: http://dx.doi.org/10.24014/rmsi.v7i2.13066
[17] M. Rafid Pratama, J. Umam, and R. Yakok, “Usability Testing pada Aplikasi iJateng Menggunakan Metode System Usability Scale,” Jurnal Sistem Informasi, Manajemen dan Teknologi Informasi, vol. 2, no. 1, pp. 15–23, Jan. 2024, doi: 10.33020/jsimtek.v2i1.556.