KOMPARASI METODE ALGORITMA NAIVE BAYES DAN K-NEAREST NEIGHBOR PADA ANALISIS SENTIMEN APLIKASI KOPI KENANGAN

Abstract

Banyaknya ulasan pengguna aplikasi Kopi Kenangan pada Google Play Store menghasilkan data teks dalam jumlah besar sehingga menyulitkan analisis manual, padahal informasi sentimen pengguna penting untuk meningkatkan kualitas layanan dan daya saing perusahaan. Penelitian ini bertujuan membandingkan kinerja algoritma Naive Bayes dan K-Nearest Neighbor atau KNN dalam mengklasifikasikan sentimen ulasan tersebut berdasarkan akurasi, precision, recall, dan ROC-AUC. Data berupa 1.000 ulasan dikumpulkan dari Google Play Store menggunakan Python dengan library google-play-scraper, kemudian dianalisis dengan kedua algoritma melalui tahapan pre-processing teks dan dievaluasi menggunakan confusion matrix serta kurva ROC. Hasil menunjukkan KNN memiliki akurasi dan kemampuan diskriminasi kelas lebih tinggi, yaitu akurasi sebesar 85,63% dan ROC-AUC sebesar 0,821 yang termasuk kategori “Baik”, sedangkan Naive Bayes memperoleh akurasi sebesar 69,68% dan ROC-AUC sebesar 0,612 yang termasuk kategori “Kurang Baik”. Meskipun demikian, Naive Bayes unggul pada beberapa metrik berbasis kelas, yaitu precision kelas positif sebesar sebesar 88,93% dibandingkan KNN 85,51%, serta recall kelas negatif sebesar 68,52% dibandingkan KNN sebesar 39,81%. Dengan demikian, KNN lebih baik berdasarkan akurasi keseluruhan dan ROC-AUC, sedangkan Naive Bayes unggul pada kemampuan tertentu dalam mengklasifikasikan kelas positif dan negatif. Hasil ini menunjukkan bahwa penilaian kinerja algoritma perlu mempertimbangkan karakteristik setiap metrik evaluasi, tidak hanya satu ukuran performa