Evaluasi Komparatif Lima Model Machine Learning Untuk Klasifikasi Sentimen Ulasan Tokopedia Berbasis TF-IDF

Abstrak

Ulasan pengguna aplikasi marketplace memuat informasi mengenai pengalaman transaksi, kualitas layanan, dan kendala teknis, tetapi volumenya menyulitkan evaluasi secara manual. Penelitian ini bertujuan mengevaluasi secara komparatif lima model machine learning untuk klasifikasi sentimen ulasan Tokopedia. Kontribusi penelitian terletak pada pengujian kelima model dalam satu skema representasi TF-IDF yang sama serta interpretasi kata dan frasa pembeda dari model terbaik. Sebanyak 5.000 ulasan dikumpulkan dari Google Play Store melalui identitas paket com.tokopedia.tkpd. Setelah ulasan berlabel netral dan data yang tidak memenuhi kriteria dikeluarkan, diperoleh 4.695 ulasan, terdiri atas 2.195 ulasan negatif dan 2.500 ulasan positif. Data diproses melalui cleaning, case folding, tokenisasi, penghapusan stopword, dan stemming, kemudian dibagi secara stratified menjadi 80% data latih dan 20% data uji. Model yang dievaluasi meliputi Multinomial Naive Bayes, Logistic Regression, LinearSVC, SGD Classifier, dan Random Forest. Multinomial Naive Bayes menghasilkan performa terbaik dengan akurasi 89,78%, macro F1 89,76%, dan weighted F1 89,79%. Model tersebut mengklasifikasikan secara benar 404 ulasan negatif dan 439 ulasan positif. Interpretasi fitur menunjukkan bahwa sentimen positif didominasi kata “mantap”, “keren”, dan “bagus”, sedangkan sentimen negatif ditandai kata “sampah”, “jelek”, dan “scam”. Hasil ini menunjukkan bahwa kombinasi TF-IDF dan Multinomial Naive Bayes efektif untuk memetakan persepsi pengguna Tokopedia.