Perbandingan Metode Naïve Bayes dan Support Vector Machine untuk Analisis Sentimen pada Ulasan Pengguna Aplikasi X

Meutia Raissa Emiliana; Muhammad Riza Indra  Fata; Muhammad Ghaly  Adam

doi:10.55382/jurnalpustakadata.v5i2.1460

Penulis

Meutia Raissa Emiliana Universitas Bina Sarana Informatika
Muhammad Riza Indra Fata Universitas Bina Sarana Informatika
Muhammad Ghaly Adam Universitas Bina Sarana Informatika

DOI:

https://doi.org/10.55382/jurnalpustakadata.v5i2.1460

Kata Kunci:

aplikasi X, aplikasi mobile, naïve bayes, support vector machine, analisis sentimen

Abstrak

Kemajuan teknologi digital telah mendorong meningkatnya penggunaan aplikasi mobile sebagai media untuk memperoleh informasi, melakukan komunikasi, serta mendukung berbagai aktivitas pengguna. Aplikasi X merupakan salah satu platform yang banyak dimanfaatkan, sehingga beragam ulasan yang diberikan oleh pengguna muncul sebagai representasi persepsi pengguna mengenai kualitas layanan yang diterima serta tingkat kenyamanan yang mereka rasakan saat memanfaatkannya. Informasi tersebut penting untuk dianalisis guna mengidentifikasi kecenderungan sentimen pengguna secara komprehensif. Penelitian ini mengkaji perbedaan performa dua algoritma machine learning, yakni Naïve Bayes dan Support Vector Machine, dalam mengklasifikasikan sentimen pada ulasan pengguna yang diperoleh melalui teknik web scraping dari Google Play Store. Dataset yang diambil selanjutnya diproses melalui serangkaian tahap text preprocessing, meliputi pembersihan data, normalisasi huruf, tokenisasi, eliminasi stopword, serta proses stemming. Berdasarkan hasil pengujian, Support Vector Machine menunjukkan kinerja yang lebih unggul dengan akurasi mencapai 0.984 dan F1-Score sebesar 0.840, sementara Naïve Bayes menghasilkan akurasi 0.849 dan F1-Score 0.550. Dengan demikian, Support Vector Machine dinilai lebih efektif dalam mengidentifikasi sentimen pengguna dan direkomendasikan sebagai metode yang lebih optimal untuk analisis ulasan pada aplikasi mobile yang memiliki karakteristik serupa.

Unduhan

Data unduhan belum tersedia.

Referensi

J. Liu et al., “Traffic signal control using reinforcement learning based on the teacher-student framework,” Expert Syst. Appl., vol. 228, p. 120458, Oct. 2023, doi: 10.1016/J.ESWA.2023.120458.

K. Z. K. Zhang, S. J. Zhao, C. M. K. Cheung, and M. K. O. Lee, “Examining the influence of online reviews on consumers’ decision-making: A heuristic–systematic model,” Decis. Support Syst., vol. 67, pp. 78–89, Nov. 2014, doi: 10.1016/J.DSS.2014.08.005.

P. Kumar, R. Bhatnagar, K. Gaur, and A. Bhatnagar, “Classification of Imbalanced Data:Review of Methods and Applications,” IOP Conf. Ser. Mater. Sci. Eng., vol. 1099, no. 1, p. 012077, 2021, doi: 10.1088/1757-899x/1099/1/012077.

Syahril Dwi Prasetyo, Shofa Shofiah Hilabi, and Fitri Nurapriani, “Analisis Sentimen Relokasi Ibukota Nusantara Menggunakan Algoritma Naïve Bayes dan KNN,” J. KomtekInfo, vol. 10, pp. 1–7, 2023, doi: 10.35134/komtekinfo.v10i1.330.

S. K. I. Irma, A. M. Yasin, and A. S. Irvan, “Analisis Sentimen Terhadap Penggunaan Aplikasi Shopee Mengunakan Algoritma Support Vector Machine (SVM),” Jambura J. Electr. Electron. Eng., vol. 5, no. 1, pp. 32–35, 2023.

M. I. Alfarizi, L. Syafaah, and M. Lestandy, “Emotional Text Classification Using TF-IDF (Term Frequency-Inverse Document Frequency) And LSTM (Long Short-Term Memory),” JUITA J. Inform., vol. 10, no. 2, p. 225, 2022, doi: 10.30595/juita.v10i2.13262.

Gishella Septania Al-Husna, Dian Asmarajati, Iman Ahmad Ihsannuddin, and Rina Mahmudati, “Perbandingan Metode Naïve Bayes Dan Support Vector Machine Untuk Analisis Sentimen Pada Ulasan Pengguna Aplikasi Linkedin,” STORAGE J. Ilm. Tek. dan Ilmu Komput., vol. 3, no. 2, pp. 139–144, 2024, doi: 10.55123/storage.v3i2.3602.

Y. Wang, W. Meijer, J. Antonio Hernández López, U. Nilsson, and D. Varró, “Why Do Machine Learning Notebooks Crash? An Empirical Study on Public Python Jupyter Notebooks,” IEEE Trans. Softw. Eng., vol. 51, no. 7, pp. 2181–2196, 2025, doi: 10.1109/TSE.2025.3574500.

R. T. Aldisa and P. Maulana, “Analisis Sentimen Opini Masyarakat Terhadap Vaksinasi Booster COVID-19 Dengan Perbandingan Metode Naive Bayes, Decision Tree dan SVM,” Build. Informatics, Technol. Sci., vol. 4, no. 1, pp. 106–109, 2022, doi: 10.47065/bits.v4i1.1581.

P. F. Supriyadi and Y. Sibaroni, “Xiaomi smartphone sentiment analysis on Twitter social media using IndoBERT,” JURIKOM (Jurnal Ris. Komputer), vol. 10, no. 1, pp. 19–30, 2023.

Z. Fitriyah and M. D. Kartikasari, “Text Classification of Twitter Opinion Related To Permendikbud 30/2021 Using Bidirectional Lstm,” Barekeng, vol. 17, no. 2, pp. 1113–1122, 2023, doi: 10.30598/barekengvol17iss2pp1113-1122.

D. Ananda and R. R. Suryono, “Analisis Sentimen Publik Terhadap Pengungsi Rohingya di Indonesia dengan Metode Support Vector Machine dan Naïve Bayes,” vol, vol. 8, pp. 748–757, 2024.

P. Arsi and R. Waluyo, “Sentiment Analysis of Discourse on Moving the Indonesian Capital City Using the Support Vector Machine (SVM) Algorithm,” J. Teknol. Inf. dan Ilmu Komput., vol. 8, no. 1, p. 147, 2021, doi: 10.25126/jtiik.202183944.

T. A. Dewi and E. Mailoa, “Perbandingan Implementasi Metode Smote Pada Algoritma Support Vector Machine (Svm) Dalam Analisis Sentimen Opini Masyarakat Tentang Mixue,” J. Indones. Manaj. Inform. dan Komun., vol. 4, no. 3, pp. 849–855, 2023, doi: 10.35870/jimik.v4i3.289.

R. K. Dinata, N. Hasdyna, and R. Mahendra, “Kombinasi Algoritma Brute Force Dan Stemming,” vol. 5, no. 2, pp. 273–278, 2020.

A. Putri, C. S. Hardiana, E. Novfuja, F. T. P. Siregar, Y. Fatma, and R. Wahyuni, “Comparison of K-NN, Naive Bayes and SVM Algorithms for Final-Year Student Graduation Prediction Komparasi Algoritma K-NN, Naive Bayes dan SVM untuk Prediksi Kelulusan Mahasiswa Tingkat Akhir,” Inst. Ris. dan Publ. Indones. MALCOM Indones. J. Mach. Learn. Comput. Sci. J. Homepage, vol. 3, no. 1, pp. 20–26, 2023.

R. Wati, S. Ernawati, and H. Rachmi, “TF-IDF Weighting Using Naïve Bayes on Public Sentiment on The Issue of Rising BIPIH,” J. Manaj. Inform., vol. 13, no. April, pp. 84–93, 2023.

C. H. Yutika, A. Adiwijaya, and S. Al Faraby, “Analisis Sentimen Berbasis Aspek pada Review Female Daily Menggunakan TF-IDF dan Naïve Bayes,” J. Media Inform. Budidarma, vol. 5, no. 2, p. 422, 2021, doi: 10.30865/mib.v5i2.2845.

S. Wang, Y. Dai, J. Shen, and J. Xuan, “Research on expansion and classification of imbalanced data based on SMOTE algorithm,” Sci. Rep., vol. 11, no. 1, pp. 1–11, 2021, doi: 10.1038/s41598-021-03430-5.

P. For, “T Heory and E Valuation M Etrics,” Iclr, vol. 55, no. 1, pp. 1–14, 2021.

F. S. Gomiasti, W. Warto, E. Kartikadarma, J. Gondohanindijo, and D. R. I. M. Setiadi, “Enhancing Lung Cancer Classification Effectiveness Through Hyperparameter-Tuned Support Vector Machine,” J. Comput. Theor. Appl., vol. 1, no. 4, pp. 396–406, 2024, doi: 10.62411/jcta.10106.

Iis Dewi Ratih, S M Retnaningsih, and V M Dewi, “Klasifikasi Kualitas Tanah Menggunakan Metode Naive Bayes Classifier,” J. Apl. Mat. dan Stat., vol. 1, no. 1, pp. 11–20, 2022, doi: 10.53625/jams.v1i1.4427.

A. Putri et al., “Komparasi Algoritma K-NN, Naive Bayes dan SVM untuk Prediksi Kelulusan Mahasiswa Tingkat Akhir,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 3, no. 1, pp. 20–26, 2023, doi: 10.57152/malcom.v3i1.610.

A. A. Munandar, F. Farikhin, and C. E. Widodo, “Sentimen Analisis Aplikasi Belajar Online Menggunakan Klasifikasi SVM,” JOINTECS (Journal Inf. Technol. Comput. Sci., vol. 8, no. 2, p. 77, 2023, doi: 10.31328/jointecs.v8i2.4747