Analisis Sentimen Pengguna Shopee Paylater pada Google Play Store Menggunakan Algoritma Naive Bayes dan Support Vector Machine

Afifah, Ririn (2026) Analisis Sentimen Pengguna Shopee Paylater pada Google Play Store Menggunakan Algoritma Naive Bayes dan Support Vector Machine. Skripsi thesis, UIN Imam Bonjol Padang.

	Text (Cover-Daftar Isi) Cover-Daftar Isi.pdf - Published Version Download (1MB)
	Text (BAB 1) Ririn Afifah 2217020031 BAB 1.pdf - Published Version Download (209kB)
	Text (BAB 3) Ririn Afifah 2217020031 BAB 3.pdf - Published Version Download (298kB)
	Text (BAB 5-Daftar Pustaka) Ririn Afifah 2217020031 BAB 5-Daftar Pustaka.pdf - Published Version Download (238kB)
	Text (Full Text) Ririn Afifah 2217020031 Full Text.pdf - Published Version Restricted to Repository staff only Download (3MB)

Abstract

Perkembangan layanan keuangan digital, khususnya fitur Buy Now Pay Later (BNPL) seperti Shopee PayLater, menghasilkan berbagai persepsi pengguna yang disampaikan melalui ulasan pada Google Play Store. Namun, penilaian berbasis rating bintang belum cukup untuk merepresentasikan pengalaman dan opini pengguna secara keseluruhan. Oleh karena itu, diperlukan analisis sentimen berbasis teks untuk memahami serta mengklasifikasikan opini pengguna secara lebih mendalam. Penelitian ini bertujuan untuk menganalisis sentimen pengguna terhadap fitur Shopee PayLater, mengklasifikasikan ulasan ke dalam tiga kategori sentimen yaitu positif, negatif, dan netral, serta membandingkan performa algoritma Multinomial Naïve Bayes dan Support Vector Machine (SVM). Dataset yang digunakan dalam penelitian ini terdiri dari 4.971 ulasan pengguna yang diperoleh dari Google Play Store. Data tersebut melalui beberapa tahapan preprocessing teks yang meliputi cleaning, normalization, tokenization, stopword removal, stemming, dan negation handling untuk meningkatkan kualitas data teks. Proses pelabelan sentimen dilakukan menggunakan metode lexicon labeling yang kemudian divalidasi secara manual untuk meningkatkan kualitas hasil pelabelan. Selanjutnya, proses ekstraksi fitur dilakukan menggunakan metode Term Frequency-Inverse Document Frequency (TF-IDF) dengan pendekatan unigram dan bigram. Tahap klasifikasi dilakukan dengan membandingkan performa algoritma Multinomial Naïve Bayes dan Support Vector Machine (SVM) berdasarkan metrik evaluasi berupa accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa kedua algoritma mampu melakukan klasifikasi ulasan pengguna Shopee PayLater ke dalam tiga kategori sentimen. Model Support Vector Machine (SVM) menghasilkan performa yang lebih baik dengan akurasi sebesar 86,35%, sedangkan algoritma Multinomial Naïve Bayes memperoleh akurasi sebesar 68,88%. Selain itu, hasil distribusi sentimen menunjukkan bahwa kategori sentimen negatif menjadi kategori yang paling dominan, yang menunjukkan bahwa sebagian besar ulasan dalam dataset penelitian mengandung keluhan atau pengalaman kurang baik terkait penggunaan Shopee PayLater. Berdasarkan hasil tersebut, algoritma SVM memiliki kemampuan klasifikasi yang lebih baik dibandingkan Naïve Bayes dan lebih sesuai diterapkan pada data ulasan berbentuk teks dengan jumlah fitur yang besar.

Actions (login required)

View Item