ANALISIS SENTIMEN PELAYANAN KERETA CEPAT WHOOSH MENGGUNAKAN ALGORITMA NAIVE BAYES
DOI:
https://doi.org/10.24076/joism.2026v7i2.2449Keywords:
Analisis Sentimen, Media Sosial X, Naive Bayes, Klasifikasi Teks, Kereta Cepat WhooshAbstract
Kereta Cepat Whoosh sebagai transportasi berkecepatan tinggi pertama di Indonesia memunculkan beragam respons publik sejak awal operasionalnya. Sebagai proyek strategis nasional, identifikasi cepat terhadap kritik dan apresiasi pelanggan menjadi penting untuk menjaga kualitas pelayanan dan kepercayaan publik. Media sosial X menjadi sumber opini masyarakat dalam jumlah besar, namun karakter data yang tidak terstruktur menyulitkan evaluasi layanan secara manual. Penelitian ini bertujuan menganalisis sentimen pelanggan terhadap pelayanan Kereta Cepat Whoosh menggunakan algoritma Naive Bayes. Data penelitian berupa 730 tweet yang dikumpulkan pada periode Januari hingga September 2025 melalui teknik web scraping. Data diproses melalui tahapan pembersihan teks, tokenisasi, stopword removal, dan stemming, kemudian diklasifikasikan ke dalam sentimen positif dan negatif. Dataset dibagi menjadi data training dan data testing dengan rasio 80:20. Evaluasi model menunjukkan akurasi sebesar 95,07%. Hasil klasifikasi menunjukkan bahwa 30,14% ulasan termasuk sentimen positif dan 69,86% sentimen negatif. Hasil penelitian ini menunjukkan bahwa analisis sentimen berbasis media sosial dapat digunakan sebagai alat evaluasi layanan untuk mendukung perbaikan kualitas pelayanan Kereta Cepat Whoosh secara berkelanjutan.
References
[1] T. Agustiranti, A. Khalfani, I. Kurdiana, B. Al Ghiffari, E. D. Juniar, and D. G. Purnama, “Penerapan Naive Bayes Terhadap Sentimen Analisis Media Sosial Twitter Pengguna Kereta Cepat Jakarta-Bandung ( Whoosh ),” vol. 7, pp. 297–305, 2024.
[2] G. Hakim, T. N. Fatyanosa, and A. W. Widodo, “Analisis Sentimen Masyarakat terhadap Kereta Cepat Whoosh pada Platform X menggunakan IndoBERT,” vol. 8, no. 10, pp. 1–10, 2024.
[3] Vagnes Angela Fransiska, “ANALISIS SENTIMEN SERVICE QUALITY TRANSPORTASI MASSAL DI INDONESIA MELALUI SOSIAL MEDIA X (STUDI KASUS PADA PT KERETA CEPAT INDONESIA CHINA,” 2024, [Online]. Available: https://openlibrary.telkomuniversity.ac.id/home/catalog/id/231423/slug/analisis-sentimen-service-quality-transportasi-massal-di-indonesia-melalui-sosial-media-x-studi-kasus-pada-pt-kereta-cepat-indonesia-china-dalam-bentuk-buku-karya-ilmiah.html
[4] M. D. Islamanda and Y. Sibaroni, “Whoosh User Sentiment Analysis on Social Media Using Word2Vec and the Best Naïve Bayes Probability Model,” vol. 8, no. 3, pp. 1558–1568, 2024.
[5] J. Sanjaya, B. Priyatna, and S. S. Hilabi, “Analisis Sentimen Terhadap Opini Proyek Kereta Cepat Menggunakan Metode Naïve Bayes Classifier,” vol. 14, no. 1, pp. 263–270, 2024.
[6] N. Hazizah and S. Ramadhani, “Pengaruh Kualitas Layanan Dan Kepuasan Pelanggan Terhadap Loyalitas Pelanggan Bus Trans Mebidang,” vol. 30, no. 01, pp. 177–197, 2025.
[7] J. Tjen, “Pengaruh Jenis Stopwords terhadap Akurasi Model Multinomial Naïve Bayes dalam Proses Sentimen Analisis,” pp. 13–22.
[8] E. E. Amelia and I. Yustiana, “Analisis Sentimen Pada Ulasan Produk UNIQLO dengan Algoritma Naive Bayes,” vol. 8, pp. 141–148, 2024.
[9] B. A. Santoso, B. I. Nugroho, and D. U. Asyfiya, “TIN : Terapan Informatika Nusantara Perbandingan Algoritma Naïve Bayes , Support Vector Machine , dan Random Forest Untuk Analisis Sentimen Komentar Politik Youtube TIN : Terapan Informatika Nusantara,” vol. 6, no. 4, pp. 391–400, 2025, doi: 10.47065/tin.v6i4.8326.
[10] S. Anwar et al., “Klasifikasi Penentuan Tingkat Penyakit Demam Berdarah dengan menggunakan Algoritma Naïve Bayes ( Studi Kasus Puskesmas Nagreg ),” vol. 6, no. 1, pp. 205–212, 2024.
[11] N. R. Djodjobo and H. Fahmi, “Understanding Public Sentiment on Jakarta Public Transportation Using LSTM,” vol. 8, no. 1, pp. 38–51, 2025.
[12] K. A. I. Menggunakan et al., “ANALISIS SENTIMEN ULASAN PENGGUNA ACCESS BY,” vol. 12, no. 3, 2024.
[13] R. N. Prakoso, S. I. Rochim, A. Subarna, and M. E. K, “Perbandingan Algoritma Naïve Bayes Dan Random Forest Dalam Klasifikasi Obesitas Berdasarkan Faktor Gaya Hidup,” vol. 09, pp. 11–18, 2025.
[14] S. Setyabudi, E. Aryanny, U. Pembangunan, N. Veteran, J. Timur, and J. Timur, “SENTIMENT ANALYSIS OF LAZADA MARKETPLACE USER RATINGS WITH NAÏVE BAYES AND SUPPORT VECTOR MACHINE METHODS MARKETPLACE LAZADA DENGAN METODE NAÏVE BAYES,” vol. 10, no. 1, pp. 422–433, 2025.
[15] B. Ansor et al., “NAKNN : An Efficient Classification of Indonesian News Texts with Nazief-Adriani and KNN,” vol. 5, no. 2, pp. 57–64, 2024, doi: 10.26714/jichi.v5i2.15420.
[16] I. Cetak and I. Online, “DECODE : Jurnal Pendidikan Teknologi Informasi,” vol. 3, no. 2, pp. 161–171, 2023.
[17] T. Prasetyo, A. A. Waskita, and T. Taryo, “Analisis Sentimen Pengguna Seputar Kendaraan Listrik Di Twitter Dengan Penerapan Algoritma Naïve Bayes , KNN , dan Decision Tree untuk Klasifikasi,” 2025.
[18] A. E. Budiman, “Analisis Pengaruh Teks Preprocessing Terhadap Deteksi Plagiarisme Pada Dokumen Tugas Akhir,” vol. 6, pp. 475–488, 2020.
[19] R. R. Pratama, R. R. Suryono, S. Informasi, and U. T. Indonesia, “PERFORMANCE COMPARISON OF NAIVE BAYES , SUPPORT VECTOR MACHINE AND RANDOM FOREST ALGORITHMS FOR APPLE VISION PRO SENTIMENT ANALYSIS PERBANDINGAN PERFORMA ALGORITMA NAIVE BAYES , SUPPORT VECTOR MACHINE DAN RANDOM FOREST UNTUK ANALISIS SENTIMEN APPLE,” vol. 6, no. 1, pp. 31–39, 2025.
[20] P. Studi et al., “Analisis Sentimen Kepuasan Pengguna Lintas Rel Terpadu ( LRT ) menggunakan Metode Support Vector Machine Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi berbasis pembelajaran mesin untuk menganalisis sentimen kepuasan pengguna LRT Palembang menggunakan metode Support vector machine ( SVM ). Metode SVM dipilih karena kemampuannya dalam,” 2025.
[21] R. N. Fitriyani, M. Jajuli, Y. Umaidah, U. S. Karawang, and T. Timur, “COMMUTER LINE MELALUI SOSIAL MEDIA X,” vol. 13, no. 3.
[22] I. J. Informatika and M. Teknologi, “Sentimen analisis kota tegal berbasis aspek menggunakan algoritma naïve bayes,” vol. 26, pp. 45–54, 2024, doi: 10.23969/infomatek.v26i1.11209.
[23] N. Aulia, S. N. Sari, and N. Wakhidah, “Jurnal Informatika : Jurnal pengembangan IT Analisis Sentimen Aplikasi Get Contact di App Store Menggunakan Metode SVM ( Support Vector Machine ),” vol. 10, no. 1, pp. 139–148, 2025, doi: 10.30591/jpit.v9ix.xxx.
[24] B. M. K. Neighbors, A. Putra, T. Djoru, and S. Yulianto, “Jurnal JTIK ( Jurnal Teknologi Informasi dan Komunikasi ) Pendekatan Machine Learning untuk Deteksi Stunting pada,” vol. 9, no. June, pp. 664–672, 2025.
[25] A. Ulinuha, E. Majid, R. Nuari, U. T. Indonesia, and B. Lampung, “PERFORMANCE COMPARISON OF BERT METRICS AND CLASSICAL MACHINE LEARNING MODELS ( SVM , NAIVE BAYES ) FOR SENTIMENT ANALYSIS PERBANDINGAN KINERJA METRIK BERT DAN MODEL MACHINE LEARNING KLASIK ( SVM , NAIVE BAYES ) UNTUK,” vol. 10, no. 2, pp. 741–752, 2025.
[26] Rania Nurbaity Winarno, Balqis Trihapsari Adiratna, and Andina Kanaya Azzahra, “User Acceptance Analysis of AI GROK on Platform X,” J. Artif. Intell. Eng. Appl., vol. 4, no. 3, pp. 2114–2120, 2025, doi: 10.59934/jaiea.v4i3.1107.
[27] V. Kevin, S. Que, A. Iriani, and H. D. Purnomo, “Analisis Sentimen Transportasi Online Menggunakan Support Vector Machine Berbasis Particle Swarm Optimization ( Online Transportation Sentiment Analysis Using Support Vector Machine Based on Particle Swarm Optimization ),” vol. 9, no. 2, pp. 162–170, 2020.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Journal of Information System Management (JOISM)
This work is licensed under a Creative Commons Attribution 4.0 International License.
