Analisis Sentimen Ulasan Pengguna terhadap Produk Skincare Sephora Menggunakan Algoritma Logistic Regression

Abstract

Banyaknya ulasan produk perawatan kulit di platform digital menimbulkan tantangan dalam mengolah informasi opini konsumen secara manual dan efisien. Penelitian ini bertujuan mengklasifikasikan sentimen ulasan pengguna terhadap produk skincare Sephora ke dalam tiga kelas, yaitu positif, netral, dan negatif. Metode yang digunakan adalah kuantitatif eksperimental dengan mengombinasikan ekstraksi fitur Term Frequency–Inverse Document Frequency (TF-IDF) dan algoritma Logistic Regression. Pengolahan data mencakup pembersihan teks, penanganan duplikasi, eliminasi konflik label, serta penyeimbangan bobot kelas (class_weight = 'balanced'). Dari total 245.092 data bersih yang dibagi dengan rasio 80:20, model dievaluasi pada 49.019 data uji. Hasil pengujian menunjukkan bahwa model mencapai akurasi sebesar 86,00%, macro-F1 sebesar 0,6778, dan weighted-F1 sebesar 0,8752. Berdasarkan evaluasi per kelas, sentimen positif memperoleh F1-score tertinggi sebesar 0,938, sentimen negatif sebesar 0,687, sedangkan sentimen netral sebesar 0,409. Kesimpulannya, kombinasi TF-IDF dan Logistic Regression efektif dalam memprediksi sentimen berbasis rating, terutama pada kelas positif, namun memiliki keterbatasan pada kelas netral  pernyataan yang lebih hati-hati penyebab pasti rendahnya F1-score netral karena hasil eksperimen belum membuktikan hubungan sebab-akibat secara langsung.