4. KESIMPULAN
        Dari hasil penelitian yang dilakukan, beberapa temuan signifikan dapat disimpulkan sebagai berikut:
Proses klasifikasi ulasan pengguna aplikasi ShopeeFood Driver menggunakan metode Naive Bayes Classifier melibatkan serangkaian tahapan yang cermat. Tahap awal adalah pengumpulan dan pemilihan data teks yang akan digunakan, yang kemudian diikuti oleh proses pembersihan dan penyaringan data untuk memastikan kualitasnya. Preprocessing data ini melibatkan beberapa langkah, termasuk pembersihan karakter yang tidak relevan, pengubahan teks menjadi huruf kecil, dan pemisahan kata-kata menjadi token-token terpisah.
Setelah melalui tahap preprocessing, langkah berikutnya adalah transformasi data menggunakan teknik seleksi fitur TF-IDF. Proses ini memberikan bobot pada setiap kata dalam teks untuk mengevaluasi relevansinya dalam klasifikasi sentimen. Selanjutnya, data teks diproses melalui algoritma Naive Bayes Classifier untuk membedakan sentimen positif dan negatif. Penting untuk dicatat bahwa sebelum proses klasifikasi, data teks dibagi menjadi dua bagian: data latih untuk melatih model dan data uji untuk menguji kinerja model.
Evaluasi dilakukan terhadap model klasifikasi yang dihasilkan dengan mengukur akurasi, presisi, recall, dan f-measure dari matriks kebingungan. Hasil evaluasi dibandingkan dengan menggunakan teknik seleksi fitur TF-IDF untuk menilai kontribusinya dalam meningkatkan kinerja klasifikasi.
Klasifikasi yang dilakukan menggunakan Naive Bayes Classifier dengan penerapan seleksi fitur TF-IDF menunjukkan hasil akurasi tertinggi, mencapai 82%. Selain itu, presisi mencapai 85%, recall sebesar 82%, dan f1-score sebesar 78%. Data testing yang digunakan sebanyak 284 data, atau sekitar 19% dari total 1500 data yang dipilih secara acak untuk pengujian
Dengan demikian, rangkaian proses ini memberikan gambaran yang komprehensif tentang bagaimana klasifikasi sentimen ulasan pengguna aplikasi ShopeeFood Driver dilakukan menggunakan pendekatan Naive Bayes Classifier, serta pentingnya penggunaan teknik seleksi fitur TF-IDF dalam meningkatkan akurasi dan konsistensi model klasifikasi.
5. SARAN
1. Evaluasi yang komprehensif terhadap model klasifikasi sangat penting untuk memastikan akurasi dan konsistensi hasil. Oleh karena itu, disarankan untuk terus melakukan evaluasi terhadap model yang dikembangkan dan memperbaiki kelemahan yang teridentifikasi.
2. Mengingat hasil yang baik yang diperoleh dari klasifikasi dengan Naive Bayes Classifier dan seleksi fitur TF-IDF, disarankan untuk melibatkan teknik ini dalam analisis sentimen ulasan pengguna pada aplikasi lain atau dalam konteks yang serupa.
UCAPAN TERIMA KASIH
