ANALISIS EFEKTIVITAS APLIKASI LALAMOVE DALAM MENINGKATKAN KEPUASAN PELANGGAN MENGGUNAKAN ALGORITMA NAÏVE BAYES, SUPPORT VECTOR MACHINE (SVM) BERBASIS PARTICLE SWARM OPTIMIZATION (PSO)
Main Article Content
Abstract
Penelitian ini bertujuan untuk menganalisis efektivitas aplikasi Lalamove dalam meningkatkan kepuasan pelanggan melalui analisis sentimen ulasan pengguna di Google Play Store. Metode yang digunakan adalah pendekatan kuantitatif dengan analisis sentimen dengan algoritma Naïve Bayes dan Support Vector Machine (SVM), yang kemudian dioptimasi menggunakan Particle Swarm Optimization (PSO). Data diperoleh melalui teknik web scraping terhadap 3.000 ulasan pengguna dalam bahasa Indonesia. Hasil penelitian menunjukkan bahwa kombinasi algoritma SVM dan PSO memberikan performa terbaik dengan akurasi mencapai 79,82%, precision dan recall yang tinggi terutama dalam mengidentifikasi ulasan negatif. Sebaliknya, penggunaan PSO pada algoritma Naïve Bayes justru menurunkan akurasi model. Temuan ini menegaskan bahwa PSO lebih efektif digunakan pada algoritma yang memiliki struktur parameter kompleks seperti SVM. Penelitian ini memberikan kontribusi terhadap pengembangan strategi peningkatan layanan aplikasi, khususnya dalam menangani masalah sistem pembayaran digital yang banyak dikeluhkan pengguna.
Kata Kunci : Aplikasi Lalamove, Analisis Sentimen, PSO, Kepuasan Pelanggan.
Article Details
Section
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.