Analisis Sentimen Ulasan Restoran Franchise di Purwokerto pada Google Maps Menggunakan Algoritma Naive Bayes
Abstract
Penelitian ini bertujuan untuk menganalisis sentimen ulasan pelanggan terhadap restoran franchise di Purwokerto yang tersedia di Google Maps dengan menerapkan algoritma Naive Bayes. Restoran yang menjadi objek penelitian meliputi KFC, Rocket Chicken, McDonald’s, Almaz Fried Chicken dan Richeese Factory. Data ulasan dikumpulkan melalui teknik web scraping dan kemudian diproses menggunakan text preprocessing seperti tokenisasi, stemming, dan pembobotan kata dengan TF-IDF. Algoritma Naive Bayes digunakan untuk mengklasifikasikan sentimen ulasan ke dalam kategori positif, negatif, dan netral. Evaluasi model dilakukan menggunakan metrik akurasi, presisi, recall, dan f1-score. Berdasarkan hasil analisis, model memperoleh akurasi sebesar 89%, dengan nilai f1-score tertinggi pada sentimen positif sebesar 0.91, diikuti oleh netral 0.89, dan negatif 0.88. Hasil confusion matrix juga menunjukkan bahwa sebagian besar prediksi sesuai dengan label sebenarnya, meskipun terdapat sejumlah kesalahan klasifikasi antar kelas. Hal ini menunjukkan bahwa model tersebut terbukti cukup andal dalam membedakan ketiga jenis sentimen dan dapat dimanfaatkan sebagai alat bantu analisis sentimen yang efektif terhadap restoran franchise di Purwokerto. Kata kunci— Analisis sentimen, Algoritma Naive Bayes, Restoran Franchise, Google Maps, Ulasan pelanggan
Downloads
References
[1] A. C. T. Angel, V. H. Pranatawijaya, dan W. Widiatry, “Analisis Sentimen dan Emosi dari Ulasan Google Maps Untuk Layanan Rumah Sakit di Palangka Raya Menggunakan Machine Learning,” KONSTELASI: Konvergensi Teknologi dan Sistem Informasi, vol. 4, no. 1, hlm. 35–49, 2024, doi: 10.24002/konstelasi.v4i1.8924.
[2] I. Ireene, “Faktor Kualitatif Service-Profit Chain dalam Bisnis Franchise Restoran,” JIMPS: Jurnal Ilmiah Mahasiswa Pendidikan Sejarah, vol. 8, no. 4, hlm. 3300–3309, 2024, doi: 10.24815/jimps.v8i4.25836.
[3] Y. S. Shafrani dan S. Sochimin, “Perceptual Mapping Warung Makan Upnormal dalam Pasar Warung Makan Kekinian di Purwokerto,” Mabsya: Jurnal Manajemen Bisnis Syariah, vol. 4, no. 1, hlm. 1–16, 2022, doi: 10.24090/mabsya.v4i1.6376.
[4] A. A. Permana, R. Taufiq, dan M. I. Wijaya, “Implementasi Algoritma Naïve Bayes Terhadap Review Aplikasi KFCKU,” JTS : Jurnal Teknik, vol. 12, no. 2, hlm. 128–137, 2023, doi: 10.31000/jt.v12i2.10646.
[5] T. Arifqi, N. Suarna, dan W. Prihartono, “Penggunaan Naive Bayes dalam Menganalisis Sentimen Ulasan Aplikasi Mcdonald’s di Indonesia,” JATI : Jurnal Mahasiswa Teknik Informatika, vol. 8, no. 2, hlm. 1949–1956, 2024, doi: 10.36040/jati.v8i2.8740.
[6] I. A. Mastan dan Y. Toni, “Analisis Sentimen Terhadap Tempat Kuliner Ayam Gedebuk dari Komentar Pengunjung dengan Menggunakan Metode Naïve Bayes Classifier,” JBASE - Journal of Business and Audit Information Systems, vol. 3, no. 1, hlm. 42–50, 2020, doi: 10.30813/jbase.v3i1.2062.
[7] V. A. Permadi, “Analisis Sentimen Menggunakan Algoritma Naive Bayes Terhadap Review Restoran di Singapura,” Jurnal Buana Informatika, vol. 11, no. 2, hlm. 141–151, 2020, doi: https://doi.org/10.24002/jbi.v11i2.3769.
[8] G. Shalihah, R. Kurniawan, dan T. Suprapti, “Analisis Sentimen Ulasan Pelanggan Mie Gacoan Menggunakan Metode Naive Bayes Classifier,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 8, no. 1, hlm. 593–601, 2024, doi: 10.36040/jati.v8i1.8302.
[9] B. Bill, “What is Google Maps?,” GCFGlobal. [Daring]. Tersedia pada: https://edu.gcfglobal.org/en/google-maps/what-is-google-maps/1/
[10] E. Apriani, F. Oktavianalisti, L. D. H. Monasari, I. Winarni, dan I. F. Hanif, “Analisis Sentimen Penggunaan TikTok Sebagai Media Pembelajaran Menggunakan Algoritma Naïve Bayes Classifier,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 4, no. 3, hlm. 1160–1168, 2024, doi: 10.57152/malcom.v4i3.1482.
[11] A. Srirahayu dan L. S. Pribadie, “Review Paper Data Mining Klasifikasi Data Mining,” Jurnal Ilmiah Informatika Global, vol. 14, no. 1, hlm. 7–12, 2023.
[12] N. M. A. J. Astari, D. G. H. Divayana, dan G. Indrawan, “Analisis Sentimen Dokumen Twitter Mengenai Dampak Virus Corona Menggunakan Metode Naive Bayes Classifier,” Jurnal Sistem dan Informatika (JSI), vol. 15, no. 1, hlm. 27–29, 2020, doi: 10.30864/jsi.v15i1.332.
[13] M. I. Petiwi, A. Triayudi, dan I. D. Sholihati, “Analisis Sentimen Gofood Berdasarkan Twitter Menggunakan Metode Naïve Bayes dan Support Vector Machine,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 6, no. 1, hlm. 542–550, 2022, doi: 10.30865/mib.v6i1.3530.
[14] N. Charibaldi, A. Harfiani, dan O. Samuel Simanjuntak, “Comparison of the Effect of Word Normalization on Naïve Bayes Classifier and K-Nearest Neighbor Methods for Sentiment Analysis,” Inform : Jurnal Ilmiah Bidang Teknologi Informasi dan Komunikasi, vol. 9, no. 1, hlm. 25–31, 2023, doi: 10.25139/inform.v9i1.7111.
[15] T. Tundo dan D. N. Rachmawati, “Implementasi Algoritma Naive Bayes untuk Analisis Sentimen Terhadap Program Makan Siang Gratis,” Jurnal Indonesia : Manajemen Informatika dan Komunikasi, vol. 5, no. 3, hlm. 2925–2939, 2024, doi: 10.35870/jimik.v5i3.978.
[16] D. Darwis, N. Siskawati, dan Z. Abidin, “Penerapan Algoritma Naive Bayes untuk Analisis Sentimen Review Data Twitter BMKG Nasional,” Jurnal Tekno Kompak, vol. 15, no. 1, hlm. 131, 2021, doi: 10.33365/jtk.v15i1.744.
[17] S. D. S. Kurniawan dan A. Fauzy, “Penggunaan Naïve Bayes Classifier dalam Analisis Sentimen Ulasan Aplikasi McDonald’s: Perspektif Pengguna di Indonesia,” mib, vol. 8, no. 3, hlm. 1545, Jul 2024, doi: 10.30865/mib.v8i3.7765.
[18] D. T. Wiyanti, N. P. Setiawati, S. Zakaria, R. S. Soemarwoto, dan I. Indrawardana, “Use of Slang Words in Tik Tok Application by Student,” Biokultur, vol. 13, no. 1, hlm. 1–15, Jun 2024, doi: 10.20473/bk.v13i1.53986.
[19] R. Maulid, “Mengenal Lemmatization dalam Machine Learning NLP,” DQLab. [Daring]. Tersedia pada: https://dqlab.id/mengenal-lemmatization-dalam-machine-learning-nlp
[20] T. Salsabilla dan D. Alita, “Analisis Sentimen Inses di Social Media menggunakan Algoritma Naïve Bayes,” Jurnal Informatika: Jurnal Pengembangan IT, vol. 9, no. 3, hlm. 271–280, 2024, doi: 10.30591/jpit.v9i3.6611.
[21] K. T. Putra, M. A. Hariyadi, dan C. Crysdian, “Perbandingan Feature Extraction TF-IDF dan BOW untuk Analisis Sentimen Berbasis SVM,” Jurnal Cahaya Mandalika (JCM), vol. 3, no. 2, hlm. 1449–1463, 2023.
[22] M. G. Pradana, “Penggunaan Fitur Wordcloud dan Document Term Matrix dalam Text Mining,” Jurnal Ilmiah Informatika (JIF), vol. 8, no. 1, hlm. 38–43, 2020, doi: 10.33884/jif.v8i01.1838.
[23] M. Fernanda dan N. Fathoni, “Perbandingan Performa Labeling Lexicon InSet dan VADER pada Analisa Sentimen Rohingya di Aplikasi X dengan SVM,” Jurnal Informatika dan Sains Teknologi, vol. 1, no. 3, hlm. 62–76, 2024, doi: 10.62951/modem.v1i3.112.
[24] D. Normawati dan S. A. Prayogi, “Implementasi Naïve Bayes Classifier Dan Confusion Matrix Pada Analisis Sentimen Berbasis Teks Pada Twitter,” Jurnal Sains Komputer & Informatika (J-SAKTI), vol. 5, no. 2, hlm. 697–711, 2021, doi: 10.30645/j-sakti.v5i2.369.
[25] F. Amaliah dan I. K. D. Nuryana, “Perbandingan Akurasi Metode Lexicon Based Dan Naive Bayes Classifier Pada Analisis Sentimen Pendapat Masyarakat Terhadap Aplikasi Investasi Pada Media Twitter,” Journal of Informatics and Computer Science (JINACS), vol. 3, no. 03, hlm. 384–393, 2022, doi: 10.26740/jinacs.v3n03.p384-393.
[26] A. Miftahusalam, A. F. Nuraini, A. A. Khoirunisa, dan H. Pratiwi, “Perbandingan Algoritma Random Forest, Naïve Bayes, dan Support Vector Machine Pada Analisis Sentimen Twitter Mengenai Opini Masyarakat Terhadap Penghapusan Tenaga Honorer,” Seminar Nasional Official Statistics, vol. 2022, no. 1, hlm. 563–572, 2022.
[27] D. Septiani dan I. Isabela, “Analisis Term Frequency Inverse Document Frequency (TF-IDF) Dalam Temu Kembali Informasi Pada Dokumen Teks.,” SINTESIA: Jurnal Sistem dan Teknologi Informasi Indonesia, vol. 1, no. 2, 2022, [Daring]. Tersedia pada: https://journal.unj.ac.id/unj/index.php/SINTESIA/article/view/39364



