Abstract
Ulasan produk pada platform e-commerce terus bertambah setiap hari dan menjadi sumber informasi penting bagi konsumen maupun penjual dalam menilai kualitas suatu produk. Volume ulasan yang besar menyebabkan proses pembacaan dan penilaian sentimen secara manual menjadi tidak efisien, sehingga dibutuhkan metode klasifikasi otomatis. Penelitian ini bertujuan untuk membandingkan kinerja algoritma Naive Bayes dan Support Vector Machine (SVM) dalam melakukan analisis sentimen terhadap ulasan produk e-commerce. Dataset yang digunakan adalah Flipkart Product Review Dataset yang diperoleh dari platform Kaggle sebanyak 189.874 ulasan, yang setelah proses pembersihan data menghasilkan 164.070 ulasan valid dan setelah pelabelan berbasis rating diperoleh 150.247 ulasan berlabel sentimen positif dan negatif. Tahapan penelitian meliputi pengumpulan data, text preprocessing (cleaning, case folding, tokenizing, stopword removal, dan stemming), pelabelan sentimen berdasarkan rating, ekstraksi fitur menggunakan TF-IDF, pembagian data latih dan data uji dengan rasio 80:20, pelatihan model, serta evaluasi menggunakan confusion matrix dengan metrik accuracy, precision, recall, dan F1-score. Hasil pengujian menunjukkan SVM memberikan kinerja terbaik dengan accuracy 98,47%, precision 98,69%, recall 99,49%, dan F1-score 99,09% dengan total kesalahan klasifikasi yang lebih sedikit, sedangkan Naive Bayes memperoleh accuracy 97,77%, precision 97,87%, recall 99,51%, dan F1-score 98,68% dengan waktu pelatihan yang sekitar 22 kali lebih singkat. Hasil perbandingan ini diharapkan dapat menjadi rekomendasi bagi pengembang sistem dalam memilih algoritma yang paling sesuai untuk membangun sistem klasifikasi sentimen ulasan produk pada platform e-commerce.
