PERBANDINGAN ALGORITMA NAÏVE BAYES DAN SUPPORT VECTOR MACHINES DALAM KLASIFIKASI SENTIMEN TERHADAP KOPERASI DESA MERAH PUTIH

ABSTRAK
Peluncuran Program Koperasi Desa Merah Putih menimbulkan berbagai tanggapan di platform media sosial. Meskipun dirancang untuk memperkuat ekonomi desa, program ini menghadapi sejumlah kritik. Studi ini bertujuan untuk mengevaluasi dan membandingkan algoritma Naïve Bayes dan Support Vector Machine (SVM) dalam melakukan klasifikasi sentimen terhadap Koperasi Desa Merah Putih. Data dikumpulkan melalui scraping dari X dan diproses melalui tahap preprocessing, TF-IDF, dan SMOTE untuk menangani ketidakseimbangan data. Hasil klasifikasi sentimen menunjukkan bahwa mayoritas opini cenderung mengandung sentimen positif. Hasil evaluasi model menggunakan 5-Fold Cross Validation menunjukkan rata-rata akurasi pada Support Vector Machine (SVM) pada kisaran 92%-93%, sedangkan untuk Naïve Bayes memiliki rata-rata pada kisaran 87%-89%. Hasil ini menunjukkan bahwa meskipun terdapat kesulitan dengan distribusi data yang tidak seimbang, pendekatan ini dapat mengklasifikasikan sentimen dengan cukup baik.
Kata Kunci: klasifikasi, Naïve Bayes, Support Vector Machine (SVM)

ABSTRACT
The launch of the Red and White Village Cooperative Program caused various
responses on social media platforms. Although designed to strengthen the village
economy, the program faces a number of criticisms. This study aims to evaluate and
compare the Naïve Bayes algorithm and the Support Vector Machine (SVM) in
classifying sentiment towards the Red and White Village Cooperative. Data is
collected through scraping from X and processed through the preprocessing, TFIDF,
and SMOTE stages to address data imbalances. The results of the sentiment
classification show that the majority of opinions tend to contain positive sentiments.
The results of the model evaluation using 5-Fold Cross Validation showed an
average accuracy in the Support Vector Machine (SVM) in the range of 92%-93%,
while for Naïve Bayes, it had an average in the range of 87%-89%. These results
suggest that despite the difficulties with the unbalanced distribution of data, this
approach can classify sentiment quite well.
Keywords: classification, Naïve Bayes, Support Vector Machine (SVM)