Analisis Sentimen Ulasan Shopee di Google Play Store Menggunakan Metode Multinomial Naïve Bayes

Devina Widi Echa; Prastyadi Wibawa Rahayu; I Made Dwi Ardiada

doi:10.30865/json.v8i1.9885

Authors

Devina Widi Echa Universitas Dhyana Pura
Prastyadi Wibawa Rahayu Universitas Dhyana Pura
I Made Dwi Ardiada Universitas Dhyana Pura

DOI:

https://doi.org/10.30865/json.v8i1.9885

Keywords:

Analisis Sentimen, Perdagangan Elektronik, Pembelajaran Mesin, Multinomial Naive Bayes, Ulasan Pengguna, Klasifikasi Teks

Abstract

Pertumbuhan pesat di sektor perdagangan elektronik telah menempatkan belanja daring sebagai pilar ekonomi digital yang krusial. Namun, tingginya interaksi pengguna pada platform tersebut menghasilkan jutaan ulasan yang mengandung opini subjektif mengenai kualitas layanan serta produk. Besarnya volume data tersebut menyulitkan pihak pengelola untuk melakukan identifikasi kepuasan pelanggan secara manual dan cepat. Permasalahan utama dalam penelitian ini adalah bagaimana mengotomatisasi proses klasifikasi sentimen pengguna agar pengelola dapat memahami umpan balik pelanggan secara efisien. Tujuan penelitian ini adalah melakukan analisis sentimen ulasan pengguna pada platform belanja daring menggunakan metode Multinomial Naïve Bayes Classifier sebagai solusi klasifikasi otomatis. Peneliti menggunakan data latih 80% dari total dataset sebanyak 44.481 dan data uji mencakup 20% dari total dataset sebanyak 11.121 jika ditambahkan kedua data dihasilkan 55.602 data cleaning. Hasil penelitian menunjukkan tingkat akurasi sebesar 87.22%, precision sebesar 85.21%, recall sebesar 87.22% dan f1-score sebesar 85.76%. Pembahasan menunjukkan algoritma memiliki performa tinggi dalam mengenali opini positif dan negatif, meskipun memerlukan optimasi untuk kelas netral. Secara praktis, penelitian ini membantu pengembang dalam memperbaiki sistem layanan secara berkelanjutan. Penelitian selanjutnya disarankan menerapkan teknik penyeimbangan data guna meningkatkan sensitivitas model.

References

[1] A. Nurian, M. S. Ma'arif, I. N. Amalia, and C. Rozikin, "Analisis Sentimen Pengguna Aplikasi Shopee pada Situs Google Play Menggunakan Naive Bayes Classifier," Jurnal Informatika dan Teknik Elektro Terapan, vol. 12, no. 1, 2024, doi: 10.23960/jitet.v12i1.3631.

[2] S. F. Kadir and A. Fairuzabadi, “Analisis Sentimen Ulasan Shopee di Google Play dengan TF-IDF dan Logistic Regression,” RIGGS: Journal of Artificial Intelligence and Digital Business, vol. 4, no. 2, pp. 7940–57945, Jul. 2025, doi: 10.31004/riggs.v4i2.2850.

[3] D. Prasetia, N. Rahaningsih, R. D. Dana, and C. L. Rohmat, “Analisis Sentimen Pengguna Aplikasi Mybluebird Dengan Algoritma Naïve Bayes Di Playstore,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 13, no. 1, 2025, doi: 10.23960/jitet.v13i1.5687.

[4] R. Zulcharnain, G. Abdurrahman, and D. Daryanto, “Analisis Sentimen Ulasan Duolingo dengan Metode Algoritma Multinomial Naïve Bayes,” Jurnal Informatika dan Teknologi Pendidikan, vol. 5, no. 1, pp. 1–16, 2025, doi: 10.59395/jitp.v5i1.113.

[5] J. Khatib Sulaiman, A. Shopee Salman Alfaris, and U. Amikom Yogyakarta, “Komparasi Metode KNN dan Naive Bayes terhadap Analisis Sentimen Pengguna Aplikasi Shopee,” The Indonesian Journal of Computer Science, vol. 12, no. 5, pp. 2023–2766, Oct. 2023, doi: 10.33022/IJCS.V12I5.3304.

[6] Muhammad Zainal Abidin, Mochammad Alfan Rosid, and Ade Eviyanti, “Analisis Sentimen Pengguna Aplikasi Shopee Pada Google Play Store Menggunakan Metode Random Forest,” STORAGE: Jurnal Ilmiah Teknik dan Ilmu Komputer, vol. 4, no. 3, pp. 265–276, Aug. 2025, doi: 10.55123/storage.v4i3.6027.

[7] M. Musfiroh, A. Tholib, and Z. Arifin, “Analisis Sentimen Terhadap Ulasan Aplikasi Shopee di Google Play Store Menggunakan Metode TF-IDF dan Long Short-Term Memory,” Journal of Electrical Engineering and Computer (JEECOM), vol. 6, no. 2, pp. 371–381, Oct. 2024, doi: 10.33650/jeecom.v6i2.8713.

[8] D. Prabowo Wiguna and S. E. Ginting, “Analisis Sentimen E-Commerce di Indonesia dengan Algoritma Naive Bayes (Studi Kasus Pada Platform Shopee, Tokopedia, Bukalapak, dan Lazada),” AICOM: Artificial Intelligence and Computing, vol. 1, no. 04, pp. 109–114, Mar. 2026, doi: https://jurnal.mifandimandiri.com/index.php/aicom/article/view/995

[9] S. Khoerunnisa, D. F. Shiddieq, and D. Nurhayati, "Penerapan Algoritma Naive Bayes dengan Teknik TF-IDF dan Cross Validation untuk Analisis Sentimen Terhadap Starlink," MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 5, no. 2, pp. 566–577, Mar. 2025, doi: 10.57152/malcom.v5i2.1852.

[10] E. Yuniar, D. S. Utsalinah, and D. Wahyuningsih, “Implementasi Scrapping Data Untuk Sentiment Analysis Pengguna Dompet Digital dengan Menggunakan Algoritma Machine Learning,” Jurnal Janitra Informatika dan Sistem Informasi, vol. 2, no. 1, pp. 35–42, 2022, doi: 10.25008/janitra.v2i1.145.

[11] K. Rahayu, V. Fitria, D. Septhya, R. Rahmaddeni, and L. Efrizoni, “Klasifikasi Teks untuk Mendeteksi Depresi dan Kecemasan pada Pengguna Twitter Berbasis Machine Learning: Text Classification for Detecting Depression and Anxiety among Twitter Users based on Machine Learning”, MALCOM, vol. 3, no. 2, pp. 108-114, Sep. 2023, doi: https://www.journal.irpi.or.id/index.php/malcom/article/view/780

[12] S. Shevira, I. M. A. D. Suarjaya, and P. W. Buana, “Pengaruh Kombinasi dan Urutan Pre-Processing pada Tweets Bahasa Indonesia,” JITTER : Jurnal Ilmiah Teknologi dan Komputer, vol. 3, no. 2, p. 1074, 2022, doi: 10.24843/jtrti.2022.v03.i02.p06.

[13] R. A. Fitrianto and A. S. Editya, “Klasifikasi Tweet Sarkasme Pada Platform X Menggunakan Bidirectional Encoder Representations from Transformers,” Jurnal Teknologi Dan Sistem Informasi Bisnis, vol. 6, no. 3, pp. 366–371, 2024, doi: 10.47233/jteksis.v6i3.1344.

[14] Diky, R. Astuti, and D. D. Saputra, “Optimasi Feature Selection Text Mining: Stemming dan Stopword untuk Sentimen Analisis Aplikasi SatuSehat,” Innovative: Journal Of Social Science Research, vol. 4, no. 1, pp. 7537–7548, 2024, doi: https://10.31004/innovative.v4i1.8759.

[15] A. Sinaga and S. P. Nainggolan, “Analisis Perbandingan Akurasi Dan Waktu Proses Algoritma Stemming Arifin-Setiono Dan Nazief-Adriani Pada Dokumen Teks Bahasa Indonesia,” Sebatik, vol. 27, no. 1, pp. 63–69, 2023, doi: 10.46984/sebatik.v27i1.2072.

[16] J. V. Santoti, J. Jocelyn, and H. Irsyad, “Implementasi Term Frequency - Inverse Document Frequency dan Cosine Similarity untuk Analisis Kemiripan Deskripsi Produk Halal,” Jurnal Software Engineering and Computational Intelligence, vol. 3, no. 01, pp. 44–52, 2025, doi: 10.36982/jseci.v3i01.5421.

[17] F. Putra, H. F. Tahiyat, R. M. Ihsan, R. Rahmaddeni, and L. Efrizoni, “Penerapan Algoritma K-Nearest Neighbor Menggunakan Wrapper Sebagai Preprocessing untuk Penentuan Keterangan Berat Badan Manusia,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 4, no. 1, pp. 273–281, 2024, doi: 10.57152/malcom.v4i1.1085.

[18] F. Reynaldi Valerian, M. Syarief, and D. Abdul Fatah, “Klasifikasi Tingkat Obesitas Menggunakan Metode Gbm Dan Confusion Matrix,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 9, no. 2, pp. 2242–2249, 2025, doi: 10.36040/jati.v9i2.13062.