PERBANDINGAN KINERJA NAÏVE BAYES DAN SUPPORT VECTOR MACHINE UNTUK KLASIFIKASI SENTIMEN ULASAN GAME GENSHIN IMPACT

Abstract

Penelitian ini bertujuan untuk membandingkan performa algoritma Naive Bayes dan Support Vector Machine (SVM) dalam mengklasifikasikan sentimen ulasan pengguna game online Genshin Impact. Meskipun analisis sentimen telah menjadi bagian integral dari penelitian di bidang komputasi cerdas, tantangan utama adalah penerapannya pada domain spesifik seperti ulasan game online. Pemilihan dan penyesuaian algoritma yang tepat penting untuk memastikan akurasi tetap optimal mengingat variasi bahasa dan ekspresi dalam ulasan. Data ulasan berasal dari Google Playstore dan telah dilabeli otomatis ke dalam dua kelas sentimen. Algoritma diimplementasikan dengan Python dan Scikit-Learn. Evaluasi performa menggunakan akurasi dari confusion matrix. Hasil menunjukkan SVM mencapai akurasi 83% pada rasio data latih:uji 70:30, lebih tinggi dibanding Naive Bayes 75,5%. Analisis lebih lanjut dilakukan untuk memahami faktor yang mempengaruhi perbedaan performa pada data teks game online. Bertujuan memberi pemahaman bagaimana metode analisis sentimen dapat dioptimalkan agar lebih akurat dalam konteks game online seperti Genshin Impact. SVM direkomendasikan untuk klasifikasi sentimen ulasan game online karena memberikan akurasi lebih tinggi dibanding Naive Bayes. Penelitian ini berkontribusi pada pengembangan teknik analisis sentimen yang efektif untuk domain game online.