Perbandingan Algoritma Support Vector Machine (SVM) dan Naive Bayes pada Analisis Sentimen Bahasa Jawa dan Sunda
DOI:
https://doi.org/10.26418/justin.v13i2.88285Keywords:
Analisis Sentimen, Support Vector Machine, Naive Bayes, TF-IDF, Chi-SquareAbstract
Perbedaan struktur kalimat, pilihan kata, dan tingkatkesopanan dalam Bahasa Jawa dan Sunda dibandingkan dengan Bahasa Indonesia membuat analisis sentimenmenjadi lebih kompleks. Karakteristik unik kedua bahasaini sering kali sulit dipahami, terutama bagi bukan penuturaslinya, sehingga metode pemrosesan teks yang umumdigunakan untuk Bahasa Indonesia tidak selalu efektif. Oleh karena itu, diperlukan pendekatan yang dapatmengklasifikasikan sentimen teks berbahasa daerah ini, apakah bersifat positif, negatif, atau netral, gunameningkatkan pemahaman terhadap opini masyarakat sertamemperluas aksesibilitas informasi. Mengingat tantangantersebut, penelitian ini berfokus pada eksplorasi metodeklasifikasi yang dapat secara efektif menanganikarakteristik unik dari Bahasa Jawa dan Sunda dalamanalisis sentimen. Untuk itu, penelitian ini bertujuanmelakukan perbandingan antara algoritma Support Vector Machine (SVM) dan Naive Bayes guna menentukanpendekatan yang paling sesuai dalam mengklasifikasikansentimen teks pada kedua bahasa ini. SVM mencari garis pemisah terbaik untuk mengklasifikasikan data, sedangkanNaive Bayes menggunakan perhitungan probabilitasberdasarkan pola kata yang muncul. Dalam penelitian iniekstraksi fitur dilakukan menggunakan TF-IDF dan seleksifitur menggunakan Chi-Square. Data yang digunakan dariIndonesian NLP data catalogue yang terdata mulai daritahun 2020-2023. Hasil penelitian menunjukkan bahwametode klasifikasi Support Vector Machine (SVM) lebihbaik dari pada Naive Bayes di kedua bahasa. SVM mendapatkan akurasi pada Bahasa Jawa sebesar 76% dan Bahasa Sunda sebesar 80% sedangkan Naive Bayes pada Bahasa Jawa sebesar 73% dan Bahasa Sunda sebesar 77%. SVM menjadi metode terbaik dalam penelitian ini karenamenunjukkan performa yang lebih baik pada kedua bahasadibandingkan Naive Bayes.
References
A. D. Wattimena, Analisis Sentimen Teks Bahasa Indonesia Pada Media Sosial Menggunakan Algoritma Convolutional Neural Network (Studi Kasus : E-Commerce) Sentiment Analysis Indonesian Language in Social Media With Convolutional Neural Network (Case Study : E-Commerce). 2018.
A. R. Isnain, H. Sulistianti, B. Hurohman, A. Nurkholis, and Styawati, “JEPIN (Jurnal Edukasi dan Penelitian Informatika) Analisis Perbandingan Algoritma LSTM dan Naive Bayes untuk Analisis Sentimen,†2022.
T. S. Sabrila, V. R. Sari, and A. E. Minarno, “Analisis Sentimen Pada Tweet Tentang Penanganan Covid-19 Menggunakan Word Embedding Pada Algoritma Support Vector Machine Dan K-Nearest Neighbor,†Fountain Informatics J., vol. 6, no. 2, p. 69, Jul. 2021, doi: 10.21111/fij.v6i2.5536.
G. Nugroho, D. T. Murdiansyah, and K. M. Lhaksmana, “Analisis Sentimen Pemilihan Presiden Amerika 2020 di Twitter Menggunakan Naïve Bayes dan Support Vector Machine,†2021.
A. J. Firdausi, W. Astuti, and Adiwijaya, “Perbandingan Algoritma Klasifikasi SVM dan Naive Bayes Dalam Analisis Sentimen Pembelajaran Daring di Masa Pandemi COVID-19 di Twitter,†2022. [Online]. Available: https://t.co/uq2luzmnkh
G. P. Permana, D. A. Nugraha, and H. Santoso, “Perbandingan Performa SVM dan Naïve Bayes Pada Analisis Sentimen Aplikasi Game Online,†2022.
B. Gunawan, H. S. Pratiwi, and E. E. Pratama, “Sistem Analisis Sentimen pada Ulasan Produk Menggunakan Metode Naive Bayes,†JEPIN (Jurnal Edukasi dan Penelit. Inform., vol. 4, no. 2, pp. 17–29, 2018, [Online]. Available: www.femaledaily.com
S. Shevira, I. Made, A. D. Suarjaya, and P. Wira Buana, “Pengaruh Kombinasi dan Urutan Pre-Processing pada Tweets Bahasa Indonesia,†2022.
H. Tuhuteru and A. Iriani, “Analisis Sentimen Perusahaan Listrik Negara Cabang Ambon Menggunakan Metode Support Vector Machine dan Naive Bayes Classifier,†J. Inform. J. Pengemb. IT, vol. 3, no. 3, pp. 394–401, Oct. 2018, doi: 10.30591/jpit.v3i3.977.
Y. Romadhoni and K. F. H. Holle, “Analisis Sentimen Terhadap PERMENDIKBUD No.30 pada Media Sosial Twitter Menggunakan Metode Naive Bayes dan LSTM,†vol. 7, no. 2, 2022.
C. Chairunnisa, I. Ernawati, and M. M. Santoni, “Klasifikasi Sentimen Ulasan Pengguna Aplikasi PeduliLindungi di Google Play Menggunakan Algoritma Support Vector Machine
dengan Seleksi Fitur Chi-Square Cindy,†2022.
N. D. Pratama, Y. A. Sari, and P. P. Adikara, “Analisis Sentimen Pada Review Konsumen Menggunakan Metode Naive Bayes Dengan Seleksi Fitur Chi Square Untuk Rekomendasi Lokasi Makanan Tradisional,†2018. [Online].
Available: http://j-ptiik.ub.ac.id
S. Mazya Permataning Tyas, R. Sarno, and B. Setya Rintyarna,
“Analisis Perbandingan Metode Klasifikasi Sentimen Berita Saham: Pendekatan Machine Learning, Deep Learning, Transfer Learning, dan Graf,†2024.
D. Darwis, N. Siskawati, and Z. Abidin, “Penerapan Algoritma Naive Bayes untuk Analisis Sentimen Review Data Twitter BMKG Nasional,†J. TEKNO KOMPAK, vol. 15, no. 1, 2021.
A. Nisa, E. Darwiyanto, and I. Asror, “Analisis Sentimen Menggunakan Naive Bayes Classifier dengan Chi-Square Feature Selection Terhadap Penyedia Layanan Telekomunikasi,†2019.
M. Windarti and A. Suradi, “Perbandingan Kinerja 6 Algoritme Klasifikasi Data Mining untuk Prediksi Masa Studi Mahasiswa†2019.
Downloads
Additional Files
Published
Issue
Section
License
Copyright (c) 2025 JUSTIN (Jurnal Sistem dan Teknologi Informasi)
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
The author owns the copyright in his paper and agrees to publish his paper to JUSTIN by giving the rights to the first publication of his paper which is simultaneously licensed under the Creative Commons Attribution License, namely the Similar International 4.0 license (CC BY-NC-SA 4.0).
This is a human-readable summary of (and not a substitute for) the license. Disclaimer.
You are free to:Share "” copy and redistribute the material in any medium or format
Adapt "” remix, transform, and build upon the material
The licensor cannot revoke these freedoms as long as you follow the license terms.
Under the following terms:
Attribution "” You must give appropriate credit, provide a link to the license, and indicate if changes were made. You may do so in any reasonable manner, but not in any way that suggests the licensor endorses you or your use.
NonCommercial "” You may not use the material for commercial purposes.
ShareAlike "” If you remix, transform, or build upon the material, you must distribute your contributions under the same license as the original.
No additional restrictions "” You may not apply legal terms or technological measures that legally restrict others from doing anything the license permits.
Notices:
You do not have to comply with the license for elements of the material in the public domain or where your use is permitted by an applicable exception or limitation.
No warranties are given. The license may not give you all of the permissions necessary for your intended use. For example, other rights such as publicity, privacy, or moral rights may limit how you use the material.
