Optimasi Naïve Bayes Untuk Analisa Sentimen Pengguna Transportasi Online Menggunakan TF-IDF

Abstract

Perkembangan layanan transportasi online mendorong meningkatnya jumlah ulasan pengguna pada media sosial yang dapat dimanfaatkan untuk mengetahui tingkat kepuasan pelanggan. Penelitian ini bertujuan untuk mengoptimalkan algoritma Naïve Bayes pada analisis sentimen pengguna transportasi online menggunakan teknik seleksi fitur Term Frequency–Inverse Document Frequency (TF-IDF). Dataset penelitian diperoleh dari Facebook, Twitter, dan Instagram dengan total 2.019 ulasan pengguna. Tahapan penelitian meliputi data harvesting, preprocessing teks berupa data cleaning, case folding, tokenization, stopword removal, stemming, serta pembobotan kata menggunakan TF-IDF. Selanjutnya, proses klasifikasi dilakukan menggunakan algoritma Naïve Bayes untuk mengelompokkan sentimen ke dalam kategori positif, netral, dan negatif. Hasil penelitian menunjukkan bahwa sentimen negatif mendominasi sebesar 84,77%, sedangkan sentimen positif dan netral masing-masing sebesar 9,28% dan 5,78%. Penerapan TF-IDF mampu meningkatkan kualitas fitur teks sehingga proses klasifikasi menjadi lebih optimal pada data tidak terstruktur. Penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan metode analisis sentimen serta menjadi bahan evaluasi bagi transportasi online dalam meningkatkan kualitas layanan kepada pengguna