Perbandingan Algoritma Naive Bayes Clasifier Dan Support Vector Machine Pada Analisis Sentimen Terhadap Tiktok Shop Seller Center

Abstract

Jualan online menjadi salah satu pilihan yang paling diminati masyarakat/seller karena dinilai memiliki banyak kelebihan seperti, tidak perlu sewa toko, tidak ada batasan wilayah dan waktu, jangkauan pemasaran luas, dan sebagainya. Akan tetapi dari kelebihan itu terdapat pula kekurangan, persaingan ketat, pengiriman terlambat, kendala teknis pada platform, dan sebagainya. Dengan begitu, pengguna aplikasi Tiktok Seller akan melampiaskan penilaian terhadap layanan yang diberikan oleh aplikasi dan akan mempengaruhi rating aplikasi tersebut. Hal ini menarik perhatian peneliti untuk mengetahui apa yang mempengaruhi kepuasan pengguna aplikasi dengan pendekatan analisis sentimen menggunakan algoritma Naive Bayes dan Support Vector Machine. Penilaian kepuasan pengguna diperlukan untuk mengetahui apakah sudah memenuhi ekspektasi dari para pengguna atau belum sehingga pihak perusahaan dapat menciptakan layanan yang sesuai dengan umpan balik para penggunanya. Pada penelitian ini untuk algoritma Naive Bayes Clasifier di dapatkan hasil akurasi 96.8%, presisi 97%, rekal 100%, dan f1-score 98%. Sedangkan pada algoritma Support Vector Machine  di dapatkan hasil akurasi 97.36%, presisi 97%, rekal 100%  , dan f1-score 99%. Kata yang paling sering muncul pada sentimen positif  membahas  seputar kata : “jualâ€, “bisaâ€, “tiktokâ€, “sellerâ€,  “produkâ€, dan sebagainya. Pada sentimen negatif diantaranya membahas seputar : â€jualâ€, “produkâ€, “sellerâ€, “tiktokâ€, “langgarâ€, dan sebagainya. Untuk kata dari seluruh data dari penelitian ini yang dominan yaitu “jualâ€, “bisaâ€, “sudahâ€, “tiktokâ€, “sellerâ€, “produkâ€, dan sebagainya.