Klasifikasi Sentimen Ulasan Produk E-Commerce Menggunakan Naive Bayes

Abstract

Perkembangan e-commerce di Indonesia telah menghasilkan volume ulasan produk yang sangat besar, yang dapat dimanfaatkan untuk memahami persepsi dan kepuasan pelanggan. Namun, analisis manual terhadap ribuan komentar tersebut tidak efisien dan berpotensi bias. Penelitian ini bertujuan untuk mengklasifikasikan sentimen pada ulasan produk e-commerce berbahasa Indonesia menggunakan algoritma Naïve Bayes Classifier (NBC) dengan metode pembobotan Term Frequency–Inverse Document Frequency (TF–IDF). Permasalahan utama yang dihadapi adalah bentuk data ulasan yang tidak terstruktur, bervariasi secara linguistik, dan sering kali ambigu dalam konteks makna. Untuk mengatasinya, penelitian ini menerapkan tahapan preprocessing teks seperti cleaning, tokenizing, stopword removal, dan stemming untuk menghasilkan data bersih sebelum dilakukan proses klasifikasi. Dataset yang digunakan merupakan kumpulan ulasan konsumen dari platform e-commerce yang telah diberi label sentimen positif dan negatif secara manual. Data kemudian dibagi menjadi tiga skenario pelatihan dan pengujian dengan rasio 70:30, 80:20, dan 90:10. Hasil pengujian menunjukkan bahwa model Naïve Bayes mampu mencapai akurasi tertinggi sebesar 94,09%, dengan nilai presisi 95,17%, recall 98,52%, dan F1-score 96,81% pada rasio 90:10. Hasil tersebut membuktikan bahwa kombinasi TF–IDF dan Naïve Bayes Classifier efektif dalam mengklasifikasikan opini publik terhadap produk e-commerce secara otomatis dan efisien. Temuan ini diharapkan dapat membantu pelaku bisnis dalam memahami persepsi pelanggan serta mendukung strategi pemasaran berbasis data yang lebih tepat sasaran.

Kata Kunci: Klasifikasi Sentimen, Ulasan Produk, E-Commerce, Naïve Bayes