KOMPARASI METODE NAÏVE BAYES DAN SUPPORT VECTOR MACHINE PADA ANALISIS SENTIMEN PENGGUNA APLIKASI TIKTOK

Abstract

Perkembangan media sosial menjadikan TikTok sebagai salah satu platform yang banyak digunakan masyarakat untuk menyampaikan opini, pengalaman, dan persepsi melalui berbagai konten. Banyaknya opini pengguna menghasilkan data teks yang dapat dimanfaatkan untuk mengetahui kecenderungan sentimen terhadap aplikasi TikTok. Oleh karena itu, diperlukan metode klasifikasi yang mampu mengidentifikasi sentimen pengguna secara efektif. Penelitian ini bertujuan untuk membandingkan kinerja metode Naïve Bayes dan Support Vector Machine (SVM) dalam mengklasifikasikan sentimen pengguna aplikasi TikTok ke dalam tiga kategori, yaitu positif, netral, dan negatif. Data penelitian diperoleh melalui teknik web scraping dari platform X/Twitter dalam bahasa Indonesia dengan jumlah 2.013 data tweet. Tahapan penelitian meliputi pengumpulan data, preprocessing yang terdiri dari cleaning, case folding, tokenizing, normalisasi, filtering, dan stemming, kemudian pelabelan data, pembobotan kata menggunakan Term Frequency-Inverse Document Frequency (TF-IDF), pembagian data latih dan data uji sebesar 70%:30%, klasifikasi menggunakan Naïve Bayes dan SVM, serta evaluasi menggunakan Confusion Matrix dengan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa Naïve Bayes memperoleh accuracy sebesar 75,66%, sedangkan SVM memperoleh accuracy sebesar 80,46%. Hasil tersebut menunjukkan bahwa SVM memiliki performa klasifikasi yang lebih tinggi dibandingkan Naïve Bayes. Namun, kedua metode masih mengalami kendala dalam mengklasifikasikan sentimen negatif karena distribusi data yang tidak seimbang.