Analisis Sentimen Review Pelanggan UMKM Seblak Preanger Di Kabupaten Jember

Agustina, Dwi (2024) Analisis Sentimen Review Pelanggan UMKM Seblak Preanger Di Kabupaten Jember. Undergraduate thesis, Politeknik Negeri Jember.

	Text (Ringkasan / Abstract) Abstract.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (8kB)
	Text (Bab 1 Pendahuluan) Bab I Pendahuluan.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (320kB)
	Text (Daftar Pustaka) Daftar Pustaka.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (139kB)
	Text (Laporan Lengkap) E41200583_Dwi_Agustina_Skripsi_Upload.pdf - Submitted Version Restricted to Registered users only Download (3MB) | Request a copy

Abstract

Penelitian ini bertujuan untuk menganalisis sentimen review pengunjung terhadap Usaha Mikro, Kecil, dan Menengah (UMKM) Seblak Preanger menggunakan metode klasifikasi Naive Bayes. Review pengunjung diambil dari platform Google Maps sebagai sumber data untuk mengevaluasi respons pelanggan terhadap produk dan layanan UMKM Seblak Preanger. Metode Naive Bayes Classifier dipilih sebagai alat analisis sentimen karena metode ini cenderung efektif pada dataset dengan jumlah fitur yang tinggi. Hal ini membuatnya cocok untuk aplikasi di mana jumlah atribut (fitur) dalam data sangat besar, seperti dalam analisis teks atau klasifikasi dokumen. Proses analisis sentimen melibatkan tahap pra-pemrosesan data, di mana ulasan diekstrak dan diubah menjadi format yang dapat diolah. Selanjutnya, model Naive Bayes Classifier dilatih dengan menggunakan data latih yang mencakup 80% dari total data, dan diuji dengan data uji yang mencakup 20% sisanya. Evaluasi dilakukan dengan memeriksa akurasi, Precision, Recall, dan f1-score sebagai metrik kinerja model. Hasil penelitian menunjukkan bahwa metode Naive Bayes Classifier dapat menghasilkan nilai akurasi sebesar 89.09%, Precision sebesar 89%, Recall sebesar 89%, dan f1-score sebesar 89%. Pembagian data latih dan uji sebesar 80% dan 20% memberikan kontribusi positif terhadap performa model dalam mengklasifikasikan sentimen pengunjung

Actions (login required)

View Item