POLITANI SAMARINDAPOLITANI SAMARINDA

TEPIANTEPIAN

Studi ini mengatasi tantangan analisis volume besar ulasan pelanggan yang tidak terstruktur pada Google Maps untuk memahami persepsi pelanggan Klinik Kopi Samarinda. Tujuan penelitian adalah menerapkan algoritma XGBoost untuk klasifikasi sentimen dan mengevaluasi efektivitasnya dalam mengidentifikasi sentimen positif dan negatif pelanggan untuk mendukung perbaikan layanan berbasis data. Studi ini menggunakan pendekatan eksperimen kuantitatif dengan data ulasan pelanggan yang dikumpulkan dari Google Maps. Teknik pemrosesan teks, termasuk case folding, tokenisasi, penghapusan stopword, dan stemming, diterapkan. TF-IDF digunakan untuk ekstraksi fitur, dan klasifikasi sentimen dilakukan menggunakan algoritma XGBoost. Kinerja model dievaluasi menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil menunjukkan bahwa model XGBoost berhasil mengklasifikasikan sentimen pelanggan dengan kinerja baik. Mayoritas ulasan dikategorikan sebagai positif, menunjukkan kepuasan pelanggan yang tinggi terhadap Klinik Kopi Samarinda. Evaluasi matriks kebingungan memastikan bahwa model dapat mengidentifikasi pola sentimen dan memberikan wawasan yang dapat diandalkan tentang persepsi pelanggan berdasarkan ulasan Google Maps. Studi ini memastikan bahwa algoritma XGBoost efektif untuk mengklasifikasikan sentimen pelanggan dari ulasan Google Maps dan memberikan wawasan penting tentang persepsi pelanggan. Temuan ini dapat mendukung evaluasi layanan dan disarankan untuk menggunakan dataset yang lebih besar dan membandingkan beberapa algoritma untuk meningkatkan akurasi dan keandalan klasifikasi sentimen.

Sebagian besar ulasan pelanggan dikategorikan sebagai positif, menunjukkan persepsi yang baik terhadap Klinik Kopi Samarinda.Model XGBoost menunjukkan kinerja yang baik dalam mengklasifikasikan sentimen, tetapi masih ada ruang untuk peningkatan dalam mengidentifikasi sentimen negatif.Penelitian lanjutan dapat fokus pada penggunaan dataset yang lebih besar dan penerapan teknik pemrosesan teks yang lebih canggih untuk meningkatkan akurasi klasifikasi.

1. Penelitian lebih lanjut dapat mengembangkan model yang lebih canggih dengan menggunakan dataset yang lebih besar dan beragam untuk meningkatkan akurasi klasifikasi sentimen. 2. Penelitian dapat mengeksplorasi penggunaan algoritma lain seperti Random Forest atau LSTM untuk membandingkan kinerja dengan XGBoost dalam mengklasifikasikan sentimen pelanggan. 3. Penelitian dapat fokus pada analisis aspek spesifik dalam ulasan pelanggan, seperti kualitas layanan atau pengalaman di luar kafe, untuk memahami faktor-faktor yang lebih mendalam yang memengaruhi persepsi pelanggan.

  1. PERBANDINGAN ALGORITMA NAÃVE BAYES, SVM DAN XGBOOST DALAM KLASIFIKASI TEKS SENTIMEN MASYARAKAT... ejournal.stmikbinapatria.ac.id/index.php/JT/article/view/295PERBANDINGAN ALGORITMA NAyEVE BAYES SVM DAN XGBOOST DALAM KLASIFIKASI TEKS SENTIMEN MASYARAKAT ejournal stmikbinapatria ac index php JT article view 295
  2. Analisis Prediktif Churn untuk Meningkatkan Tingkat Retensi Pelanggan pada Perusahaan SaaS Menggunakan... journal.unublitar.ac.id/ilkomnika/index.php/ilkomnika/article/view/598Analisis Prediktif Churn untuk Meningkatkan Tingkat Retensi Pelanggan pada Perusahaan SaaS Menggunakan journal unublitar ac ilkomnika index php ilkomnika article view 598
  3. PERBANDINGAN ALGORITMA RANDOM FOREST DAN XGBOOST UNTUK ANALISIS SENTIMEN PUBLIK TERHADAP RUMAH MAKAN... doi.org/10.53580/naratif.v7i1.307PERBANDINGAN ALGORITMA RANDOM FOREST DAN XGBOOST UNTUK ANALISIS SENTIMEN PUBLIK TERHADAP RUMAH MAKAN doi 10 53580 naratif v7i1 307
Read online
File size894.89 KB
Pages9
DMCAReport

Related /

ads-block-test