Naive Bayes dan Decision Tree: Studi Kasus Klasifikasi Kepuasan Pelanggan E-Commerce
SIMKOM · 2025
DOI: 10.51717/simkom.v10i2.897 ↗Kurz gefasst
Fachartikel in der Zeitschrift SIMKOM, 2025. Verfasst von Ofirmince Tulak Bamba und 4 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY-NC 4.0).
Abstract (Originalsprache)
Peningkatan belanja daring mendorong e-commerce untuk memahami kepuasan pelanggan melalui analisis ulasan otomatis. Studi ini mengevaluasi dan membandingkan kemampuan algoritma Naive Bayes dan Decision Tree dalam mengklasifikasikan tingkat kepuasan berdasarkan 5.000 ulasan dari platform Olist. Ulasan dikategorikan ke dalam tiga kelas, yaitu Tidak Puas, Netral, dan Puas. Pra-pemrosesan meliputi pembersihan data, ekstraksi fitur dengan TF-IDF, dan pembagian data 80% latih dan 20% uji. Evaluasi menggunakan metrik accuracy, precision, recall, F1-score, dan AUC. Naive Bayes menunjukkan akurasi lebih tinggi (80,70%) dibanding Decision Tree (73,90%) serta performa klasifikasi yang lebih stabil. Dengan demikian, Naive Bayes lebih efisien untuk klasifikasi kepuasan pelanggan berbasis teks pada ulasan e-commerce.
Zitieren
APA
Bamba, O. T., Vadila, N., Fitrawati, S., Tedang, V. W., & Asrawati (2025). Naive Bayes dan Decision Tree: Studi Kasus Klasifikasi Kepuasan Pelanggan E-Commerce. SIMKOM. https://doi.org/10.51717/simkom.v10i2.897
Vancouver
Bamba OT, Vadila N, Fitrawati S, Tedang VW, Asrawati. Naive Bayes dan Decision Tree: Studi Kasus Klasifikasi Kepuasan Pelanggan E-Commerce. SIMKOM. 2025. doi:10.51717/simkom.v10i2.897
BibTeX
@article{Bamba2025,
author = {Bamba, Ofirmince Tulak and Vadila, Nur and Fitrawati, Sri and Tedang, Vilna Wati and Asrawati},
title = {Naive Bayes dan Decision Tree: Studi Kasus Klasifikasi Kepuasan Pelanggan E-Commerce},
journal = {SIMKOM},
year = {2025},
doi = {10.51717/simkom.v10i2.897}
}
EUVIMED