Perbandingan Akurasi SVM dan Naive Bayes dalam Klasifikasi Opini Isu Internasional
DOI:
https://doi.org/10.33005/santika.v6i1.977Keywords:
Analisis Sentimen, Youtube, Support Vector Machine, Naive Bayes, TF-IDFAbstract
Perkembangan media sosial seperti YouTube telah menjadi ruang publik digital bagi masyarakat Indonesia dalam merespons berbagai kebijakan, termasuk isu strategis internasional. Volume opini publik yang besar dan tidak terstruktur membutuhkan pendekatan komputasional berupa analisis sentimen agar dapat diekstrak menjadi informasi yang bermanfaat. Penelitian ini bertujuan untuk membandingkan performa tingkat akurasi antara algoritma Support Vector Machine dan Naive Bayes dalam mengklasifikasikan sentimen opini publik. Teks komentar melalui proses prapemrosesan yang komprehensif, termasuk tahap stemming menggunakan pustaka Sastrawi, dan direpresentasikan menjadi vektor numerik menggunakan pembobotan TF-IDF. Pengujian dilakukan menggunakan rasio data uji sebesar 20 persen yang memiliki distribusi kelas tidak seimbang. Hasil evaluasi menunjukkan bahwa algoritma SVM berbasis kernel linear mengungguli Naive Bayes secara signifikan dengan tingkat akurasi mencapai 89.39 persen, sedangkan Naive Bayes hanya memperoleh akurasi 69.77 persen. Selain itu, Naive Bayes terbukti gagal mengklasifikasikan kelas minoritas akibat bias pada perhitungan probabilitas prior, sementara SVM tetap tangguh dan konsisten di seluruh kategori sentimen. Hasil komparasi ini menyimpulkan bahwa SVM adalah algoritma yang lebih optimal dan tangguh untuk diimplementasikan pada sistem pemantauan kecenderungan opini masyarakat di media sosial.
References
B. A. Maulana, M. J. Fahmi, A. M. Imran, and N. Hidayati, "Analisis Sentimen Terhadap Aplikasi Pluang Menggunakan Algoritma Naive Bayes dan Support Vector Machine," MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 4, no. 2, pp. 375-384, 2024.
R. A. Firsttama, A. A. Arifiyanti, and D. S. Y. Kartika, "Analisis Sentimen Komentar Youtube Konferensi Tingkat Tinggi G20 Menggunakan Metode Naive Bayes," Jurnal Teknologi Dan Sistem Informasi Bisnis, vol. 6, no. 2, pp. 282-285, 2024.
M. P. Firdaus and D. Trisnawarman, "Public Sentiment Analysis of the Public Housing Savings Program Using the IndoBERT Lite Model on YouTube Comments," Jurnal Ilmu Komputer, vol. 5, pp. 359-368, 2025.
A. Widiyanti and D. A. Megawaty, "Perbandingan Algoritma K-Nearest Neighbor dan Support Vector Machine Pada Pengenalan Pola Tulisan Tangan," J. Media Inform. Budidarma, vol. 8, no. 3, p. 1451, 2024.
R. Kurniawan and S. Anwar, "Analisis Sentimen Penggemar Treasure Di Karnaval Mandiri Menggunakan Naïve Bayes," Jurnal Informatika, vol. 4, pp. 203-213, 2025.
R. Ardiyansyah, et al., "Sentimen Komentar Youtube Dengan Sentiment Intensity Analyzer Dari NLTK," Jurnal Teknik Informatika, pp. 31-36, 2024.
D. Fernando, et al., "Comparison of Machine Learning Algorithms in the Role of Hepatitis Patient Disease Classification," Journal of Computer Science, vol. 4, no. 2, pp. 159-170, 2021.
L. Rao, "Sentiment Analysis of English Text with Multilevel Features," Scientific Programming, vol. 2022, 2022.
A. H. K. S. Harahap, "Klasifikasi Sentimen Masyarakat Terhadap Revisi Undang-Undang Menggunakan Naïve Bayes Classifier," Bulletin of Computer Science Research, vol. 5, no. 4, pp. 594-603, 2025.
J. A. Limbong, I. Sembiring, and K. D. Hartomo, "Analysis Of Review Sentiment Classification On E-Commerce Shopee Word Cloud Based With Naïve Bayes And K-Nearest Neighbor Methods," Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 9, no. 2, pp. 347-356, 2022.
M. Nouval, "Analisis Sentimen Menggunakan Algoritma Support Vector Machine," Jurnal Teknik Informatika, vol. 4, no. 4, pp. 298-307, 2026.
Z. Mesanda and M. Ikhsan, "Perbandingan Support Vector Machine dan Naïve Bayes Terkait Kepuasan Pengguna," Journal of Computer System and Informatics, vol. 5, no. 4, pp. 555-562, 2024.
R. A. E. V. T. Sapanji, D. Hamdani, and P. Harahap, "Sentiment Analysis of the Top 5 E-commerce Platforms in Indonesia using Text Mining and Natural Language Processing," Journal of Applied Informatics and Computing, vol. 7, no. 2, pp. 202-211, 2023.
O. Salwa, D. Fadhillah, and J. H. Jaman, "Perbandingan Naive Bayes, Support Vector Machine, Logistic Regression dan Random Forest," Jurnal Komputer, vol. 13, no. 1, 2025.
A. R. Andriawan, "Sentiment Analysis Classification Of Political Parties On Twitter Using Gated Recurrent Unit Algorithm And Natural Language Processing," International Journal of Multidisciplinary Research, 2024.
B. Amal, et al., "Penilaian Mahasiswa Terhadap Keefektifan Penggunaan Google Colab Dalam Pembelajaran Coding," Kesatria: Jurnal Penerapan Sistem Informasi, vol. 6, no. 1, pp. 66-76, 2025.
S. Rohimah, S. Kenia, and P. Loka, "Analyzing Customer Sentiment Towards Marketplace Reviews Using Classification Algorithms," Jurnal Sistem Informasi, vol. 2, pp. 23-30, 2025.
