Perbandingan Analisis Sentimen Untuk Prediksi Kepuasan Pelanggan Kedai Kopi Di Kofind Menggunakan Algoritma SVM Dan Naive Bayes

Abstract

Abstrak— Penelitian ini bertujuan untuk membandingkan performa algoritma Support Vector Machine (SVM) dan Naïve Bayes dalam melakukan analisis sentimen terhadap ulasan pelanggan kedai kopi Kofind. Implementasi kedua algoritma dilakukan dengan pendekatan pembelajaran mesin yang memanfaatkan Term Frequency-Inverse Document Frequency (TF-IDF) sebagai metode ekstraksi fitur. Proses analisis meliputi tahap preprocessing data (pembersihan teks, tokenisasi, dan penghapusan stopwords), ekstraksi fitur menggunakan TF-IDF, pelatihan model dengan algoritma SVM dan Naïve Bayes, serta evaluasi kinerja model berdasarkan data uji. Prediksi sentimen diklasifikasikan ke dalam tiga kategori utama, yaitu positif, netral, dan negatif. Hasil penelitian menunjukkan bahwa SVM memiliki performa lebih baik dibandingkan dengan Naïve Bayes dalam menganalisis sentimen pelanggan. SVM mencatat akurasi sebesar 99%, sementara Naïve Bayes hanya mencapai 89%. Selain itu, presisi, recall, dan F1-score pada SVM juga lebih tinggi dibandingkan Naïve Bayes, terutama dalam klasifikasi sentimen positif dan netral. Hal ini menunjukkan bahwa SVM lebih efektif dalam menangkap pola sentimen dalam data ulasan pelanggan, sehingga lebih akurat dalam memprediksi tingkat kepuasan pelanggan. Dengan hasil yang diperoleh, penelitian ini menegaskan bahwa pemilihan algoritma yang tepat sangat berpengaruh terhadap akurasi analisis sentimen dalam konteks bisnis kedai kopi. Model SVM dapat menjadi solusi yang lebih optimal dalam mengembangkan sistem analisis sentimen yang digunakan untuk memantau dan meningkatkan kepuasan pelanggan. Penelitian selanjutnya dapat mengeksplorasi penggunaan model hybrid atau teknik deep learning untuk meningkatkan akurasi prediksi sentimen dalam skala yang lebih luas.

Kata Kunci— SVM,Naive Bayes, sentimen, kepuasan, machine learning.