Implementasi Naïve Bayes Untuk Analisis Sentimen Barbershop

Abstract

Kebangkitan industri barbershop dan interaksinya yang semakin intens dengan pelanggan memunculkan beragam respons dan ulasan publik yang terekam melalui media sosial dan platform digital, sehingga diperlukan analisis sistematis untuk memahami kecenderungan opini tersebut. Penelitian ini menganalisis sentimen masyarakat terhadap layanan dan pengalaman di barbershop dengan menerapkan algoritma Naïve Bayes, yang dikenal efektif dalam mengolah teks berdimensi tinggi. Data diperoleh dari ulasan dan komentar pengguna pada platform digital yang membahas layanan barbershop tertentu, kemudian melalui tahapan text preprocessing dan pembobotan TF-IDF sebelum diklasifikasikan menjadi kategori positif, negatif, dan netral. Hasil penelitian menunjukkan bahwa model Naïve Bayes mampu mengklasifikasikan sentimen ulasan dengan performa yang baik, dengan akurasi tertinggi pada kelas negatif sebesar 93,39%, diikuti kelas netral sebesar 89,26% dan kelas positif sebesar 85,95%. Nilai presisi tertinggi diperoleh pada kelas positif sebesar 96,81%, sementara kelas netral menunjukkan keterbatasan dengan nilai presisi dan recall sebesar 0%, yang mengindikasikan ketidakseimbangan data pada kelas tersebut. Temuan penelitian diharapkan menjadi dasar pertimbangan yang lebih objektif bagi pemilik dan pengelola barbershop dalam meningkatkan kualitas layanan dan merumuskan strategi pemasaran yang lebih responsif terhadap opini dan kebutuhan pelanggan