<mods:mods version="3.3" xsi:schemaLocation="http://www.loc.gov/mods/v3 http://www.loc.gov/standards/mods/v3/mods-3-3.xsd" xmlns:mods="http://www.loc.gov/mods/v3" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"><mods:titleInfo><mods:title>ANALISIS SENTIMEN ULASAN PELANGGAN PADA TOKO&#13;
RETAIL SUPER DAZZLE DI GOOGLE MAPS &#13;
MENGGUNAKAN ALGORITMA NAÏVE BAYES UNTUK&#13;
EVALUASI KUALITAS LAYANAN</mods:title></mods:titleInfo><mods:name type="personal"><mods:namePart type="given">Yohanes</mods:namePart><mods:namePart type="family">Pangestu</mods:namePart><mods:role><mods:roleTerm type="text">author</mods:roleTerm></mods:role></mods:name><mods:abstract>Ulasan pelanggan menjadi sumber informasi bagi Perusahaan untuk mengetahui&#13;
tingkat kepuasan pelanggan terhadap kualitas pelayanan yang diberikan. Namun,&#13;
banyaknya jumlah ulasan membuat proses analisis manual menjadi kurang efektif&#13;
dan membutuhkan waktu yang cukup lama. Selain itu, isi ulasan yang beragam&#13;
menyebabkan Perusahaan kesulitan dalam memahami kecenderungan sentimen&#13;
pelanggan secara cepat dan tepat. Permasalahan tersebut juga ditemukan pada toko&#13;
retail Super Dazzle yang memiliki banyak ulasan pelanggan dengan berbagai opini&#13;
terkait pelayanan dan kualitas toko. Penelitian ini bertujuan untuk melakukan&#13;
analisis sentimen ulasan pelanggan Super Dazzle menggunakan algoritma&#13;
Multinomial Naïve Bayes untuk peningkatan kualitas layanan. Data penelitian ini&#13;
diperoleh melalui proses web scraping Google Maps menggunakan Playwright.&#13;
Tahapan penelitian meliputi preprocessing data, handling negation, pelabelan data&#13;
berdasarkan rating, ekstraksi fitur menggunakan TF-IDF, penanganan imbalanced&#13;
data menggunakan SMOTE dan ADASYN, serta hyperparameter Tuning untuk&#13;
meningkatkan performa model. Evaluasi model dilakukan menggunakan accuracy,&#13;
precision, recall, dan F1-Score. Penelitian ini berhasil menunjukan bahwa&#13;
algoritma Multinomial Naïve Bayes mampu mengklasifikasi sentiment ulasan&#13;
pelanggan dengan baik. Berdasarkan Hasil pengujian, metode SMOTE&#13;
menghasilkan performa terbaik dibandingkan ADASYN dengan Tingkat akurasi&#13;
81%. Hyperparameter tuning juga dilakukan pada metode SMOTE yang dipilih dan&#13;
berhasil mendapatkan akurasi 94,8% pada alpha 0.01. Hasil akhir Evaluasi dari&#13;
metode SMOTE yang telah di tuning mendapatkan accuracy 81%, precision 81%,&#13;
recall 81%, dan F1-Score 81%. Model yang telah dibangun kemudian&#13;
diimplementasikan ke dalam aplikasi berbasis web menggunakan sstreamlit untuk&#13;
mempermudah proses klasifikasi sentimen secara otomatis.</mods:abstract><mods:classification authority="lcc">000 Ilmu komputer, informasi dan pekerjaan umum</mods:classification><mods:originInfo><mods:dateIssued encoding="iso8061">2026-06-09</mods:dateIssued></mods:originInfo><mods:originInfo><mods:publisher>Universitas AMIKOM Yogyakarta;Fakultas Ilmu Komputer</mods:publisher></mods:originInfo><mods:genre>Thesis</mods:genre></mods:mods>