PERBANDINGAN METODE SUPPORT VECTOR MACHINE DENGAN NAÏVE BAYES UNTUK ANALISIS SENTIMEN PADA ULASAN APLIKASI DISCORD DI GOOGLE PLAYSTORE

Abstract

Riset ini diorientasikan guna mengomparasikan efektivitas klasifikasi antara algoritma Support Vector Machine (SVM) dan Naïve Bayes dalam memetakan polaritas sentimen pada kolom ulasan pengguna aplikasi Discord di Google Play Store. Korpus data diekstraksi secara digital melalui teknik web scraping memanfaatkan pustaka google-play-scraper berbasis bahasa pemrograman Python. Melalui prosedur tersebut, berhasil dihimpun sebanyak 952 entitas ulasan berbahasa Indonesia yang terdistribusi ke dalam kategori opini positif dan negatif. Alur pengolahan data diawali dengan serangkaian operasi preprocessing yang mengeksekusi tahapan case folding, cleansing, tokenizing, stopword removal, hingga stemming. Selanjutnya, pembobotan berbasis nilai TF-IDF diterapkan untuk merepresentasikan teks ke dalam bentuk numerik sebelum diumpankan pada proses pemodelan klasifikasi. Pengukuran performansi komputasional diuji lewat fungsionalitas confusion matrix yang mencakup parameter kalkulasi akurasi, presisi, recall, serta F1-score. Hasil temuan empiris mengonfirmasi keunggulan arsitektur Support Vector Machine atas model Naïve Bayes. Secara definitif, SVM menorehkan persentase akurasi di angka 87,96%, presisi 75,68%, recall 91,80%, dan capaian F1-score 82,97%. Sebagai pembanding, pengklasifikasi Naïve Bayes membukukan raihan akurasi sebesar 83,77%, presisi 58,11%, daya recall menyentuh 100%, disertai fiksasi F1-score senilai 73,52%. Melalui visualisasi diagnostik ini, ditarik kesimpulan bahwa model Support Vector Machine menyajikan tingkat ketangguhan dan kestabilan yang jauh lebih superior untuk mengategorikan tren opini publik pada platform Discord.