Dinda Permata Mbatu Pengarang SEBASTIANUS ADI SANTOSO MOLA Dosen Pembimbing 1 DONY MARTINUS SIHOTANG Dosen Pembimbing 2 Sebastianus Adi Santoso Mola Ketua Penguji Dony Martinus Sihotang Penguji 1 Juan Rizky Manuel Ledoh Penguji 2

Kebutuhan akan jasa ekspedisi barang meningkat pesat untuk memenuhi beragam kebutuhan masyarakat Indonesia. JNE dan J&T Express adalah dua perusahaan pengiriman terbesar dan terpopuler di Indonesia, hal ini mengakibatkan banyaknya opini pengguna mengenai kualitas layanan mereka, berupa kepuasan maupun kekecewaan, yang diekspresikan melalui ulasan di Google Play Store. Penelitian ini menggunakan metode lexicon-based untuk analisis sentimen, sebuah metode ilmiah sederhana di mana sistem menghitung bobot kata dan mengklasifikasikannya sebagai sentimen positif, negatif, dan netral. Metode ini termasuk dalam kategori machine learning unsupervised. Proses analisis dimulai dengan pengumpulan data ulasan menggunakan teknik scraping, diikuti oleh text processing yang meliputi cleaning, Case folding, normalisasi, tokenizing, Stemming, dan Stopword Removal. Analisis teks dilakukan menggunakan metode lexicon-based dengan kamus InSet. Dari 3565 ulasan JNE dan 3967 ulasan J&T, hasil sentimen menunjukan bahwa mayoritas masyarakat beropini negatif atau masyarakat merasa kecewa terhadap pelayanan kedua jasa ekspedisi tersebut. Akurasi analisis mencapai 82% untuk data JNE dengan nilai presisi untuk sentimen negatif 95%, sentimen positif 54%, sentimen netral 7% sedangkan sensitivitas untuk sentimen negatif 83%, sentimen positif 82%, sentimen netral 15%. Untuk data J&T memiliki akurasi sebesar 78% dengan nilai presisi untuk sentimen negatif 97%, sentimen positif 28%, sentimen netral 4% sedangkan sensitivitas untuk sentimen negatif 80%, sentimen positif 82%, sentimen netral 4%. Secara keseluruhan model dapat mengklasifikasi sebagian data ulasan dengan benar namun hasil prediksi model dalam memprediksi kelas netral dan positif memiliki nilai persentaseyang rendah. Kemampuan model dalam memprediksi kelas positif sangat baik walaupun sensitivitas untuk kelas netral rendah dikarenakan adanya ketidakseimbangan dalam dataset