ANALISIS SENTIMEN DRIVER TERHADAP KINERJA APLIKASI DAN KEBIJAKAN LALAMOVE:

STUDI KOMPARASI MODEL COMPLEMENT NAÏVE BAYES DAN INDOBERT

Abstract

Ulasan mitra pengemudi pada platform Google Play Store merupakan sumber data yang kaya namun belum dimanfaatkan secara optimal untuk mengevaluasi kualitas layanan aplikasi logistik berbasis sharing economy seperti Lalamove. Penelitian ini bertujuan untuk melakukan analisis sentimen dan ekstraksi opini terhadap ulasan mitra pengemudi Lalamove guna membandingkan kinerja algoritma Complement Naïve Bayes dan model deep learning IndoBERT dalam klasifikasi sentimen berbahasa Indonesia. Data dikumpulkan melalui teknik web scraping dari Google Play Store sebanyak 10.000 ulasan, kemudian dilabeli secara otomatis berdasarkan skor bintang. Selanjutnya, sebanyak 500 sampel ulasan divalidasi secara manual untuk mengoreksi anomali polaritas antara rating dan narasi teks. Prapemrosesan meliputi case folding, cleansing, normalisasi leksikal, dan stopword removal khusus untuk jalur Naïve Bayes. Data dibagi dengan rasio 80:20 untuk pelatihan dan pengujian. Naïve Bayes dikombinasikan dengan ekstraksi fitur TF-IDF dan penyeimbangan kelas menggunakan SMOTE, sedangkan IndoBERT dioptimasi melalui fine-tuning dengan pembobotan kelas pada fungsi kerugian. Dari 8.738 data valid, distribusi sentimen didominasi oleh kelas Negatif (68,4%), diikuti Positif (28,2%), dan Netral (3,4%), yang mengonfirmasi adanya ketidakseimbangan kelas yang nyata. IndoBERT mencapai akurasi 87,47% dan Weighted F1 87,60%, mengungguli Complement Naïve Bayes dengan akurasi 82,44% dan Weighted F1 84,77%. Penelitian ini menyimpulkan bahwa IndoBERT merupakan model yang lebih unggul untuk analisis sentimen ulasan mitra pengemudi berbahasa Indonesia, dengan kemampuan memahami konteks kalimat informal dan slang yang jauh lebih baik dibandingkan pendekatan berbasis frekuensi kata. Integrasi IndoBERT direkomendasikan sebagai fondasi sistem pemantauan opini (opinion mining) berskala besar pada platform logistik digital di Indonesia.