PERBANDINGAN ANALISIS SENTIMEN UNTUK PREDIKSI KEPUASAN PELANGGAN KEDAI KOPI DI KOFIND MENGGUNAKAN ALGORITMA SVM DAN NAIVE BAYES

COMPARISON OF SENTIMENT ANALYSIS FOR PREDICTING COFFEE SHOP CUSTOMER SATISFACTION IN KOFIND USING SVM AND NAIVE BAYES ALGORITHMS

Di era digital, ulasan pelanggan memiliki peran yang sangat penting dalam membentuk strategi bisnis, terutama dalam industri kedai kopi. Analisis sentimen berbasis ulasan pelanggan dapat menjadi alat yang efektif untuk memahami tingkat kepuasan pelanggan dan meningkatkan layanan yang ditawarkan. Penelitian ini bertujuan untuk membandingkan performa algoritma Support Vector Machine (SVM) dan Naive 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 Naive 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 Naive Bayes dalam menganalisis sentimen pelanggan. SVM mencatat akurasi sebesar 99%, sementara Naive Bayes hanya mencapai 89%. Selain itu, presisi, recall, dan F1-score pada SVM juga lebih tinggi dibandingkan Naive 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.

In the digital age, customer reviews play a very important role in shaping business strategies, especially in the coffee shop industry. Sentiment analysis based on customer reviews can be an effective tool to understand the level of customer satisfaction and improve the services offered. This study aims to compare the performance of Support Vector Machine (SVM) and Naive Bayes algorithms in performing sentiment analysis on Kofind coffee shop customer reviews. The implementation of both algorithms is done with a machine learning approach using Term Frequency-Inverse Document Frequency (TF-IDF) as a feature extraction method. The analysis process includes data preprocessing (text cleaning, tokenization, and stop word removal), feature extraction using TF-IDF, model training using SVM and Naive Bayes algorithms, and model performance evaluation based on test data. The sentiment predictions are classified into three main categories, namely positive, neutral, and negative. The results showed that SVM performed better than Naive Bayes in analyzing customer sentiment. SVM achieved an accuracy of 99%, while Naive Bayes achieved only 89%. In addition, the precision, recall and F1 score of SVM are also higher than Naive Bayes, especially in classifying positive and neutral sentiments. This shows that SVM is more effective in capturing sentiment patterns in customer review data, which makes it more accurate.