STUDI PERBANDINGAN ALGORITMA NAIVE BAYES DAN SUPPORT VECTOR MACHINE TERHADAP ANALISIS SENTIMEN PROGRAM EFISIENSI ANGGARAN

Abstract

Analisis sentimen dapat digunakan untuk mempelajari bagaimana masyarakat merespons kebijakan pemerintah, seperti program efisiensi anggaran. Tujuan dari penelitian ini adalah untuk melakukan perbandingan kinerja antara algoritma Naïve Bayes dan Support Vector Machine (SVM) dengan tiga jenis kernel: kernel linier, kernel polinomial, dan kernel radial basis functional (RBF). Selain itu, penelitian ini juga menganalisis bagaimana penerapan Particle Swarm Optimization (PSO) dalam meningkatkan kinerja klasifikasi dalam kasus analisis sentimen yang terkait dengan kebijakan efisiensi pemerintah. Data yang digunakan terdiri dari 4.274 entri yang dikumpulkan melalui proses crawling dari platform media sosial X (Twitter). Selanjutnya, data diproses melalui proses pembersihan teks, yang mencakup pembersihan, case folding, normalisasi, tokenisasi, penghapusan stopword, dan stemming. Metode lexicon-based digunakan untuk pelabelan, dan metode Term Frequency – Inverse Document Frequency (TF-IDF) digunakan untuk ekstraksi fitur. Analisis confusion matrix digunakan untuk menilai kinerja model. Hal ini dilakukan dengan menggunakan metrik accuracy, precision, recall, dan F1-Score. Hasil pengujian menunjukkan bahwa penerapan PSO pada SVM dengan kernel linear memiliki performa terbaik dengan tingkat akurasi 75,79%, SVM kernel RBF sebesar 73,22%, SVM kernel polinomial dengan akurasi sebesar 70,64%, dan akurasi 69,94% pada Naïve Bayes. Selain itu, kelas netral ditemukan sebagai kategori yang paling sulit untuk diklasifikasikan. Hasilnya menunjukkan bahwa untuk melakukan analisis sentimen terhadap kebijakan efisiensi anggaran pemerintah, kombinasi SVM kernel Linear dengan optimasi PSO adalah metode yang paling efektif. Hasil ini juga menunjukkan bahwa peningkatan kinerja model klasifikasi berbasis machine learning dipengaruhi secara signifikan oleh pemilihan kernel yang tepat dan strategi optimasi yang tepat.