##plugins.themes.academic_pro.article.main##
Naive Bayes dan Decision Tree: Studi Kasus Klasifikasi Kepuasan Pelanggan E-Commerce
Abstract
Peningkatan belanja daring mendorong e-commerce untuk memahami kepuasan pelanggan melalui analisis ulasan otomatis. Studi ini mengevaluasi dan membandingkan kemampuan algoritma Naive Bayes dan Decision Tree dalam mengklasifikasikan tingkat kepuasan berdasarkan 5.000 ulasan dari platform Olist. Ulasan dikategorikan ke dalam tiga kelas, yaitu Tidak Puas, Netral, dan Puas. Pra-pemrosesan meliputi pembersihan data, ekstraksi fitur dengan TF-IDF, dan pembagian data 80% latih dan 20% uji. Evaluasi menggunakan metrik accuracy, precision, recall, F1-score, dan AUC. Naive Bayes menunjukkan akurasi lebih tinggi (80,70%) dibanding Decision Tree (73,90%) serta performa klasifikasi yang lebih stabil. Dengan demikian, Naive Bayes lebih efisien untuk klasifikasi kepuasan pelanggan berbasis teks pada ulasan e-commerce.
##plugins.themes.academic_pro.article.details##
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
References
N. Farhana, H. Okprana, and K. R. Sorim, “Analisis Tingkat Kepuasan Pelanggan Pada Aplikasi Tiktok Shop Dengan Metode Algoritma C4.5,” SmartEDU J., vol. 1, pp. 101–111, 2022.
H. Priatmojo, F. Saputra, M. H. Prasetiyo, D. Puspitasari, and D. Nurlaela, “Perbandingan Klasifikasi Tingkat Penjualan Buah di Supermarket Dengan Pendekatan Algoritma Decision Tree, Naive Bayes Dan K-Nearest Neighbor,” 2023. [Online]. Available: http://jurnal.bsi.ac.id/index.php/jinsan
A. Muzaki et al., “Analisis Sentimen Pada Ulasan Produk di E-Commerce Dengan Metode Naive Bayes,” J. Ris. dan Apl. Mhs. Inform., vol. 05, 2024.
J. J. A. Limbong, I. Sembiring, K. D. Hartomo, U. Kristen, S. Wacana, and P. Korespondensi, “Analisis Klasifikasi Sentimen Ulasan Pada E-Commerce Shopee Berbasis Word Cloud Dengan Metode Naive Bayes dan K-Nearest Analysis Of Review Sentiment Classification On E-Commerce Shopee Word Cloud Based With Naïve Bayes And K-Nearest Neighbor Methods,” vol. 9, no. 2, pp. 347–356, 2022, doi: 10.25126/jtiik.202294960.
M. Ridwan, H. Suyono, and M. Sarosa, “Penerapan Data Mining Untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes Classifier,” vol. 7, no. 1, pp. 59–64, 2013.
M. Zarlis, R. W. Sembiring, T. B. Pematangsiantar, U. Methodist, and P. N. Medan, “Analisa Terhadap Perbandingan Algoritma Decision Tree Dengan Algoritma Random Tree Untuk Pre-Processing Data,” no. 2, pp. 180–185, 2017.
D. Chicco and G. Jurman, “The Advantages Of The Matthews Correlation Coefficient (Mcc) Over F1 Score And Accuracy In Binary Classification Evaluation,” BMC Genomics, vol. 21, no. 1, pp. 1–13, 2020, doi: 10.1186/s12864-019-6413-7.
H. P. Newquist, Artificial Intelligence: Technology In Transition, vol. 36. 1992.
N. White, R. Parsons, G. Collins, and A. Barnett, “Evidence Of Questionable Research Practices In Clinical Prediction Models,” BMC Med., vol. 21, no. 1, pp. 1–10, 2023, doi: 10.1186/s12916-023-03048-6.
Hosmer, et al., Applied Logistic Regression, 3rd ed. Canada: John Wiley & Sons, Inc., Hoboken, New Jersey, 2013.
