PERBANDINGAN METODE NAÏVE BAYES, SUPPORT VECTOR MACHINE DAN RECURRENT NEURAL NETWORK PADA ANALISIS SENTIMEN ULASAN PRODUK E-COMMERCE

Abstract

Abstrak Analisis sentimen digunakan sebagai alat bantu untuk mendapatkan pendapat dari konsumen atau masyarakat luas. Ulasan produk pada e-commerce memberikan pengaruh pada penjualan produk. Penelitian ini bertujuan untuk melakukan analisis sentimen terhadap ulasan produk pada platform e-commerce menggunakan algoritma Naïve Bayes, Support Vector Machine (SVM), dan Recurrent Neural Network (RNN). Penelitian juga melibatkan tahapan seleksi data, preprocessing, transformasi, data mining, dan evaluasi/interpretasi. Selain itu, penelitian ini juga bertujuan untuk mengatasi masalah imbalanced data yang terjadi antara sentimen positif dan negatif dengan menerapkan teknik oversampling menggunakan library SMOTE. Dengan melakukan penelitian ini, diharapkan dapat memberikan wawasan dan pemahaman yang lebih baik tentang analisis sentimen dan kontribusinya dalam memahami pendapat konsumen serta meningkatkan keputusan pembelian produk. Dalam penelitian ini, dilakukan analisis sentimen terhadap ulasan produk e-commerce menggunakan algoritma Naïve Bayes, SVM, dan RNN. Data opini diklasifikasikan menjadi positif, negatif, atau netral. Terdapat perbedaan jumlah data antara sentimen positif dan negatif (imbalanced data), yang diperlakukan secara berbeda dalam model. Hasil penelitian menunjukkan bahwa Naïve Bayes memiliki akurasi 86%, SVM memiliki akurasi 88%, dan RNN memiliki akurasi 96% dengan epoch 100. Abstract Sentiment analysis serves as a valuable tool for capturing consumer opinions and broader public sentiment. Product reviews posted on e-commerce platforms significantly influence product sales. The objective of this research is to perform sentiment analysis on e-commerce product reviews utilizing Naïve Bayes, Support Vector Machine (SVM), and Recurrent Neural Network (RNN) algorithms. The study encompasses data selection, preprocessing, transformation, data mining, and evaluation/interpretation as crucial stages. Moreover, addressing the issue of imbalanced data, particularly the disparity between positive and negative sentiments, is achieved through the application of oversampling techniques utilizing the SMOTE library. This research aims to enhance the understanding of sentiment analysis, its significance in comprehending consumer opinions, and its role in improving product purchase decisions. The sentiment analysis of e-commerce product reviews was conducted using Naïve Bayes, SVM, and RNN algorithms. The opinions were classified as positive, negative, or neutral. Notably, there is a distinction in the data distribution between positive and negative sentiments (imbalanced data), which necessitates distinct treatment within the models. The findings revealed an accuracy of 86% for Naïve Bayes, 88% for SVM, and 96% for RNN with an epoch of 100.