ANALISIS KOMPARATIF ALGORITMA NAIVE BAYES DAN SVM PADA KLASIFIKASI SENTIMEN ULASAN NETFLIX

Abstract

Netflix sebagai layanan streaming digital menghasilkan jutaan ulasan pengguna di Google Play Store yang memuat opini terhadap kualitas layanan. Volume ulasan yang sangat besar membuat analisis manual tidak efektif dan rentan subjektivitas, sehingga dibutuhkan metode klasifikasi otomatis untuk mengelompokkan sentimen pengguna ke dalam kategori positif, netral, dan negatif. Penelitian ini bertujuan menganalisis dan membandingkan kinerja algoritma Naive Bayes dan Support Vector Machine (SVM) dalam klasifikasi sentimen ulasan pengguna aplikasi Netflix. Penelitian menggunakan pendekatan text mining dengan data sekunder berupa 110.418 ulasan dari platform Kaggle. Pelabelan sentimen dilakukan berdasarkan rating pengguna, di mana score 1–2 dikategorikan negatif, score 3 netral, dan score 4–5 positif. Tahapan penelitian meliputi preprocessing data, transformasi TF-IDF, klasifikasi, serta evaluasi menggunakan accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan SVM memiliki kinerja lebih baik dibandingkan Naive Bayes, dengan accuracy 78,48% dan F1-score 75,34%, berbanding accuracy 77,30% dan F1-score 73,23% pada Naive Bayes. Kedua algoritma mengalami kesulitan mengklasifikasikan sentimen netral akibat ketidakseimbangan data, di mana kelas netral hanya mencakup 10,66% dari total dataset. SVM direkomendasikan sebagai algoritma yang lebih optimal untuk kasus klasifikasi sentimen serupa.