UKRIMUKRIM

Infact: International Journal of ComputersInfact: International Journal of Computers

Studi ini menganalisis ulasan konsumen Starbucks dari situs ConsumerAffairs menggunakan algoritma K-Nearest Neighbors (KNN) dan Support Vector Machine (SVM) untuk klasifikasi sentimen. Ulasan diproses dengan teknik NLP standar dan dilabeli menggunakan TextBlob sebagai positif, netral, atau negatif. Analisis word cloud menunjukkan bahwa sebagian besar ulasan menyampaikan sentimen positif dengan kata-kata seperti awesome, atmosphere, dan organic yang menyoroti apresiasi terhadap lingkungan toko, kualitas produk, dan pengalaman keseluruhan. Ulasan netral memberikan informasi deskriptif, sedangkan ulasan negatif mengindikasikan masalah kesehatan atau ketidakpuasan terhadap layanan. KNN mencapai hasil terbaik dengan pembagian data 60%:40% (akurasi 87%, presisi 84%, recall 87%, F1-score 84%), sedangkan SVM berkinerja terbaik pada pembagian 80%:20% (akurasi 88%, presisi 86%, recall 88%, F1-score 85%). Hasil menunjukkan bahwa kedua metode efektif dalam klasifikasi sentimen dan memberikan wawasan actionable untuk meningkatkan kualitas produk, efisiensi layanan, dan kepuasan pelanggan.

Analisis sentimen ulasan konsumen Starbucks menunjukkan dominasi sentimen positif terhadap lingkungan toko, kualitas produk, dan pengalaman keseluruhan.Ulasan netral cenderung deskriptif, sementara ulasan negatif mencerminkan kekhawatiran terhadap masalah kesehatan dan ketidakpuasan layanan.Kedua algoritma, KNN dan SVM, menunjukkan kinerja baik dalam klasifikasi sentimen, dengan SVM sedikit unggul dalam akurasi.Temuan ini menegaskan pentingnya analisis sentimen untuk memahami persepsi pelanggan dan meningkatkan strategi layanan Starbucks.

Penelitian lanjutan dapat mengeksplorasi dampak promosi musiman terhadap sentimen pelanggan menggunakan SVM, membandingkan KNN dan SVM dengan model deep learning pada dataset yang lebih besar, serta mengembangkan pendekatan multilingual untuk mengatasi tantangan analisis sentimen dalam bahasa Indonesia. Selain itu, studi tentang integrasi analisis sentimen real-time dapat membantu Starbucks memberikan respons cepat terhadap masalah layanan. Penelitian juga bisa fokus pada perbandingan kinerja algoritma di platform ulasan lain seperti Instagram atau TikTok, serta mengevaluasi pengaruh faktor demografis seperti usia atau lokasi geografis terhadap sentimen pelanggan.

  1. Sentiment Analysis Classification on PLN Mobile Application Reviews using Random Forest Method and TF-IDF... jurnal.poliupg.ac.id/index.php/Intek/article/view/4774Sentiment Analysis Classification on PLN Mobile Application Reviews using Random Forest Method and TF IDF jurnal poliupg ac index php Intek article view 4774
  2. Implementasi Algoritma Decision Tree dan Naïve Bayes Untuk Klasifikasi Sentimen Terhadap Kepuasan... doi.org/10.47065/josh.v4i2.2949Implementasi Algoritma Decision Tree dan Nayve Bayes Untuk Klasifikasi Sentimen Terhadap Kepuasan doi 10 47065 josh v4i2 2949
  3. PENGARUH REVIEW PELANGGAN TERHADAP KEPUTUSAN PEMBELIAN DI ONLINE SHOP | MARAS : Jurnal Penelitian Multidisiplin.... ejournal.lumbungpare.org/index.php/maras/article/view/119PENGARUH REVIEW PELANGGAN TERHADAP KEPUTUSAN PEMBELIAN DI ONLINE SHOP MARAS Jurnal Penelitian Multidisiplin ejournal lumbungpare index php maras article view 119
Read online
File size558.39 KB
Pages8
DMCAReport

Related /

ads-block-test