PERBANDINGAN SENTIMEN PENGGUNA SHOPEE DAN TOKOPEDIA MENGGUNAKAN NAÏVE BAYES
Article Sidebar
Read Counter : 11
Download : 4
Main Article Content
Abstract
Pertumbuhan pesat ekosistem e-commerce di Indonesia menjadikan ulasan pengguna pada Google Play Store salah satu sumber data penting untuk membaca persepsi dan pengalaman pengguna secara langsung. Penelitian ini bertujuan menganalisis serta membandingkan sentimen ulasan pengguna terhadap aplikasi Shopee dan Tokopedia dengan menggunakan pendekatan klasifikasi Naïve Bayes. Data ulasan dikumpulkan dari halaman Google Play kedua aplikasi, kemudian diproses melalui tahapan prapemrosesan teks, meliputi pembersihan karakter, case folding, penghapusan stopword, dan stemming. Fitur teks direpresentasikan menggunakan Term Frequency Inverse Document Frequency (TF-IDF) dan diklasifikasikan ke dalam label sentimen positif, negatif, dan netral. Kinerja model dinilai menggunakan metrik akurasi, presisi, recall, dan F1-score, sedangkan perbedaan pola sentimen antara Shopee dan Tokopedia dianalisis berdasarkan distribusi kelas dan hasil klasifikasi yang dihasilkan. Temuan penelitian ini memberikan gambaran kuantitatif mengenai kecenderungan penilaian pengguna terhadap kedua platform dan dapat menjadi masukan bagi pengelola e-commerce dalam merumuskan strategi peningkatan kualitas layanan berbasis opini pengguna.
Downloads
Article Details
Section
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.
How to Cite
References
[1] M. Birjali, M. Kasri, and A. Beni-Hssane, “A comprehensive survey on sentiment analysis: Approaches, challenges and trends,” Knowledge-Based Systems, vol. 226, 107134, 2021.
[2] D. Ulhaq, “Comparative analysis of user experience in Shopee and Tokopedia e-commerce applications using the User Experience Questionnaire (UEQ) method,” Adopsi Teknologi dan Sistem Informasi (Atasi), vol. 3, no. 1, pp. 37–44, 2024.
[3] S. Fransiska and A. I. Gufroni, “Sentiment analysis Provider by.U on Google Play Store reviews with TF-IDF and Support Vector Machine (SVM) method,” Scientific Journal of Informatics, vol. 7, no. 2, 2020.
[4] B.Z. Ramadhan, R. I. Adam, and I. Maulana, “Analisis sentimen ulasan pada aplikasi e-commerce dengan menggunakan algoritma Naive Bayes,” Journal of Applied Informatics and Computing, vol. 6, no. 2, pp. 220–225, 2022.
[5] N. Agustina, D. H. Citra, W. Purnama, C. Nisa, and A. R. Kurnia, “Implementasi algoritma Naive Bayes untuk analisis sentimen ulasan Shopee pada Google Play Store,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 2, no. 1, pp. 47–54, 2022.
[6] A. Ernawati, A. O. Sari, S. N. Sofyan, M. Iqbal, and R. F. W. Wijaya, “Implementasi algoritma Naïve Bayes dalam menganalisis sentimen review pengguna Tokopedia pada produk kesehatan,” Bulletin of Information Technology, vol. 4, no. 4, pp. 533–543, 2023.
[7] E.Hasibuan and E. A. Heriyanto, “Analisis sentimen pada ulasan aplikasi Amazon Shopping di Google Play Store menggunakan Naive Bayes classifier,” Jurnal Teknik dan Science, vol. 1, no. 3, pp. 13–24, 2022.
[8] A.F. Haikal and Y. Nuryaman, “Sentiment Analysis of Transjakarta App Reviews Using the Naive Bayes Algorithm,” Journal of Artificial Intelligence and Engineering Applications, vol. 5, no. 1, pp. 1620–1626, 2025. doi:10.59934/jaiea.v5i1.1677.
[9] D. S. Nurrochmah, N. Rahaningsih, R. D. Dana, and C. L. Rohmat, “Penerapan Algoritma Naive Bayes dalam Analisis Sentimen Ulasan Aplikasi KitaLulus di Google Play Store,” Jurnal Informatika Terpadu, vol. 11, no. 1, pp. 1–11, 2025. doi:10.54914/jit.v11i1.1544.
[10] Helmayanti, S. A., Hamami, F., & Fa’rifah, R. Y. (2023). Penerapan algoritma TF-IDF dan Naïve Bayes untuk analisis sentimen berbasis aspek ulasan aplikasi Flip pada Google Play Store. Jurnal Indonesia: Manajemen Informatika dan Komunikasi, 4(3), 1822–1834. https://doi.org/10.35870/jimik.v4i3.415
[11] S. Zhang, X. Li, and M. Zong, “Efficient text classification using improved evaluation metrics based on confusion matrix,” IEEE Access, vol. 9, pp.123456–123468,2021. doi:10.1109/ACCESS.2021.3056789.