PERBANDINGAN KINERJA ALGORITMA NAÏVE BAYES DAN SUPPORT VECTOR MACHINE DALAM ANALISIS SENTIMEN ULASAN APLIKASI SEABANK

Abstract

Pesatnya perkembangan digitalisasi layanan perbankan turut mendorong lonjakan pemanfaatan aplikasi mobile banking di Indonesia. Aplikasi SeaBank menjadi salah satu cerminan nyata tren tersebut, dengan lebih dari tiga juta ulasan yang terakumulasi pada Google Play Store. Volume data tekstual yang besar dan bersifat tidak terstruktur menjadikan pendekatan analisis manual tidak efektif, sehingga dibutuhkan mekanisme klasifikasi otomatis untuk mengidentifikasi sentimen pengguna. Penelitian ini bertujuan mengonstruksi kajian komparatif kinerja algoritma Naïve Bayes (NB) dan Support Vector Machine (SVM) pada ulasan aplikasi SeaBank. Metode penelitian ini menerapkan kerangka kerja CRISP-DM, dengan total 6.000 data ulasan yang dihimpun melalui teknik scraping. Seluruh data tersebut kemudian melewati serangkaian prosedur praproses, meliputi pembersihan teks (cleaning), tokenisasi, eliminasi stopword, stemming, labeling berdasar rating, serta representasi numerik dengan TF-IDF. Dataset dipartisi dengan rasio 80:20, kemudian dinilai performanya menggunakan metrik akurasi, precision, recall, serta F1-Score berbasis macro average. Temuan kajian ini mengindikasikan bahwa SVM tampil sebagai model yang lebih andal dengan capaian akurasi 89,3%, precision 86,1%, recall 86,5%, dan F1-score 86,3%, melampaui NB yang mencatatkan akurasi 88,3% serta hasil precision, recall, dan F1-score masing-masing 84,9%. Dengan demikian, SVM lebih direkomendasikan dalam mengimplementasikan klasifikasi sentimen otomatis pada layanan bank digital