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.
