ANALISIS SENTIMEN MITRA DRIVER LAYANAN PENGANTARAN MAKANAN SECARA DARING MENGGUNAKAN METODE NAIVE BAYES DAN SUPPORT VECTOR MACHINE (SVM) (STUDI KASUS : SHOPEFOOD,GRAB,MAXIM DAN GOJEK)

ANDI MUHAMMAD SABAR.Analisis Sentimen Mitra Driver Layanan Pengantaran Makanan Secara Daring Menggunakan Metode Naive Bayes dan Support vector machine (SVM) (Studi Kasus : Shopeefood,Grab,Maxim,dan Gojek) (dibimbing oleh Ingrid Nurtanio). Latar belakang. Pertumbuhan layanan pengantaran makanan daring seperti ShopeeFood, GrabFood, Maxim, dan GoFood berdampak langsung terhadap aktivitas dan pendapatan mitra driver. Ulasan mitra driver pada aplikasi mengandung informasi mengenai kepuasan, kendala operasional, dan kebutuhan perbaikan layanan. Namun, jumlah ulasan yang besar dan tidak terstruktur menyulitkan proses analisis secara manual. Tujuan. Penelitian ini bertujuan menerapkan teknik text mining untuk menganalisis sentimen mitra driver serta membandingkan kinerja algoritma Naive Bayes dan Support vector machine (SVM) dalam klasifikasi sentimen. Metode. Data penelitian diperoleh dari ulasan Google Play Store melalui proses scraping dan data Google Form. Tahapan penelitian meliputi preprocessing teks, ekstraksi fitur menggunakan TF-IDF dengan unigram dan bigram, serta klasifikasi sentimen positif, netral, dan negatif. Pengujian dilakukan menggunakan Multinomial NB, Bernoulli NB, Complement NB, serta SVM kernel Linear, Polynomial, RBF, dan Sigmoid. Setiap model diuji pada skenario tanpa oversampling, SMOTE, dan ADASYN. Evaluasi dilakukan menggunakan Accuracy, Precision, Recall, F1 Macro, dan F1 Weighted. Hasil. Hasil pengujian menunjukkan bahwa tidak terdapat satu algoritma yang selalu menghasilkan kinerja terbaik pada seluruh platform. Pada data scraping + Google Form, SVM kernel Linear tanpa oversampling menghasilkan F1 Macro tertinggi pada ShopeeFood sebesar 0,5762 dan GoFood sebesar 0,5680. Pada GrabFood, Multinomial NB dengan SMOTE dan SVM kernel Linear tanpa oversampling menghasilkan F1 Macro yang sama, yaitu 0,5205. Sementara itu, pada Maxim, Multinomial NB dengan SMOTE menghasilkan F1 Macro tertinggi sebesar 0,5311. Analisis top n-gram menunjukkan bahwa keluhan utama mitra driver berkaitan dengan pembagian order, pendapatan atau ongkos pengiriman, stabilitas aplikasi, ketidaksesuaian titik lokasi, dan order fiktif. Kesimpulan. Naive Bayes dan SVM memiliki keunggulan yang berbeda sesuai karakteristik dataset dan skenario penanganan ketidakseimbangan kelas. F1 Macro digunakan sebagai dasar pemilihan model karena mampu menggambarkan performa klasifikasi setiap kelas sentimen secara lebih seimbang.