Perbandingan Algoritma Naïve Bayes, K-NN, dan SVM dalam Pengklasifikasian Sentimen Media Sosial

Abstract

Berdasarkan data yang didapat dari wearesosial.com pengguna media sosial di dunia pada Januari 2021 mencapai 4.1 miliar jiwa, angka ini bertumbuh sebesar 13.2% dibandingkan periode yang sama pada tahun sebelumnya. Menurut kementriean informasi dan teknologi, setiap harinya masyarakat Indonesia menghabiskan setidaknya 3.5 jam untuk berselancar di media sosial. Revolusi Industri 4.0 memaksa semua kegiatan terdigitalisasi, media sosial juga merupakan bentuk digitalisasi dari interaksi sosial manusia. Perkembangan teknologi berefek kepada maraknya kemunculan media sosial baru, hal ini menarik perhatian peneliti dimana kami ingin membantu pengguna media sosial untuk mengklasifikasi apakah media sosial tersebut cenderung positif atau negatif berdasarkan sentiment ulasan aplikasi tersebut, oleh karenanya analisis sentimen kami lakukan guna mengetahui kecenderungan tanggapan masyarakat terhadap aplikasi-aplikasi media sosial. Metode yang digunakan dalam penelitian ini adalah algoritma Naïve Bayes Classifier, K-Nearest Neighbor dan Support Vector Machine. Algoritma ini dapat mengklasifikasikan data atau kalimat sehingga menjadi suatu informasi. Data yang digunakan sebanyak 2000 data didapat dengan teknik web scrapping ulasan sepuluh aplikasi media sosial paling populer di dunia dari Google Playstore. Dari penelitian ini diketahui bahwa algoritma Naïve Bayes Classifier memiliki nilai akurasi lebih tinggi sebesar 79.8% dibandingkan algoritma K-Nearest Neighbor sebesar 50.23% dan Support Vector Machine sebesar 75.29%, sehingga algoritma Naïve Bayes Classifier lebih tepat digunakan untuk mengklasifikasi ulasan aplikasi media sosial.

Other Information

[Publication page] [Download paper here]

For proper citation, refer here