Perbandingan Kinerja Naive Bayes, Support Vector Machine, Regresi Logistik, dan Decision Tree untuk Klasifikasi Sentimen Ulasan Produk Berbasis TF-IDF

Abstract

Analisis sentimen merupakan salah satu pendekatan penting dalam pemrosesan bahasa alami yang digunakan untuk memahami opini konsumen melalui data ulasan produk di platform digital. Tantangan utama dalam analisis ini adalah memilih algoritma klasifikasi yang paling efektif untuk memproses data teks dalam jumlah besar dan kompleks. Penelitian ini bertujuan membandingkan kinerja empat algoritma klasifikasi populer, yaitu Naive Bayes, Support Vector Machine (SVM), Regresi Logistik, dan Decision Tree, dalam mengklasifikasikan sentimen ulasan produk berbasis fitur TF-IDF. Data yang digunakan berjumlah 830 ulasan produk yang dikumpulkan melalui teknik web scraping dari salah satu platform e-commerce. Seluruh data dipra-pemroses dengan tahapan pembersihan, tokenisasi, stopwords removal, dan stemming, kemudian diubah menjadi vektor numerik menggunakan metode TF-IDF. Selanjutnya, data dibagi menjadi data latih dan data uji dengan proporsi 80:20 dan diuji menggunakan keempat algoritma klasifikasi. Evaluasi dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma Support Vector Machine (SVM) memiliki performa terbaik dengan akurasi sebesar 94%, diikuti oleh Regresi Logistik (92%), Naive Bayes (91%), dan Decision Tree (76%). Nilai precision, recall, dan F1-score pada SVM juga unggul dibandingkan algoritma lain. Temuan ini merekomendasikan SVM sebagai algoritma yang paling efektif untuk klasifikasi sentimen pada ulasan produk berbasis teks. Penelitian ini dapat menjadi referensi bagi pengembangan sistem analisis sentimen yang lebih optimal di masa mendatang.   Kata Kunci - Analisis sentimen, Naive Bayes, Support Vector Machine (SVM), Regresi Logistik, Decision Tree.