Analisis Sentimen Ulasan Pengguna Shopee Terkait Fitur Cash on Delivery Menggunakan Algoritma Naive Bayes

Abstract

Perkembangan e-commerce di Indonesia mendorong pemanfaatan fitur Cash on Delivery (COD) sebagai solusi inklusi finansial. Namun, dinamika fitur ini diwarnai berbagai konflik lapangan dan penolakan paket yang tecermin dalam ulasan pengguna di platform Shopee. Penelitian ini bertujuan untuk menganalisis sentimen pengguna Shopee terkait fitur COD menggunakan algoritma Multinomial Naive Bayes berbasis pembobotan Term Frequency-Inverse Document Frequency (TF-IDF). Sebanyak 1.000 ulasan sekunder dari Kaggle disaring secara biner menjadi 546 sentimen negatif dan 454 sentimen positif. Dataset dibagi menggunakan metode Hold-Out dengan proporsi rasio 80:20 menjadi 800 data latih dan 200 data uji. Hasil pengujian menunjukkan model mampu menghasilkan tingkat akurasi global sebesar 78,00%. Melalui analisis confusion matrix, diketahui bahwa algoritma memiliki sensitivitas yang sangat tinggi dalam mengenali keluhan pengguna dengan nilai recall sentimen negatif mencapai 90%, sedangkan recall sentimen positif sebesar 62%. Tingginya kemampuan deteksi teks negatif ini dipicu oleh karakteristik ulasan komplain masyarakat Indonesia yang cenderung ekspresif dan repetitif. Penelitian ini membuktikan bahwa kombinasi TF-IDF dan Multinomial Naive Bayes sangat layak diandalkan oleh manajemen e-commerce sebagai sistem pemantauan kualitas layanan otomatis