Komparasi K-Nearest Neighbors (KNN) dan Naive Bayes pada Klasifikasi Sentimen Ulasan Aplikasi Tokopedia di Google Play Store

Ulasan pengguna aplikasi e-commerce di platform seperti Google Play Store merupakan sumber umpan balik vital bagi pengembang, namun volumenya yang masif menyulitkan analisis manual. Penelitian ini bertujuan untuk mengatasi tantangan tersebut dengan melakukan analisis sentimen otomatis pada ulasan aplikasi Tokopedia. Fokus utama adalah mengklasifikasikan sentimen ulasan ke dalam kategori positif dan negatif serta membandingkan secara empiris kinerja dua algoritma klasifikasi populer, yaitu Naive Bayes (NB) dan K-Nearest Neighbors (KNN). Metodologi penelitian mencakup tahapan pengumpulan data ulasan dari Google Play Store, pra-pemrosesan teks ekstensif (termasuk case folding, cleaning, tokenizing, stopword removal, stemming), ekstraksi fitur numerik dari teks, implementasi model NB dan KNN, serta evaluasi komparatif menggunakan metrik Akurasi, F1-Score, dan Area Under the Curve (AUC). Hasil evaluasi pada data uji menunjukkan bahwa algoritma KNN menunjukkan kinerja yang secara signifikan lebih unggul dibandingkan Naive Bayes. KNN berhasil mencapai akurasi sebesar 80.00% dengan nilai AUC 0.865, sementara Naive Bayes hanya mencapai akurasi 71.50% dengan nilai AUC 0.576 yang mengindikasikan kemampuan diskriminatif rendah. Penelitian ini menyimpulkan bahwa KNN merupakan metode yang lebih efektif dan reliabel dibandingkan NB untuk tugas klasifikasi sentimen pada dataset ulasan aplikasi Tokopedia ini, dan menawarkan potensi aplikasi praktis untuk memonitor opini pengguna secara otomatis.