PERBANDINGAN KLASIFIKASI NAIVE BAYES DAN SUPPORT VECTOR MACHINE DALAM ANALISIS SENTIMEN DENGAN MULTICLASS DI TWITTER

Abstract

Analisis sentimen merupakan salah satu topik yang populer dalam bidang Natural Language Processing. Salah satu metode yang sering digunakan untuk melakukan analisis sentimen adalah Naive Bayes dan Support Vector Machine. Namun, akurasi dari metode ini masih bisa dioptimalkan dengan menggunakan teknik-teknik tertentu. Penelitian ini bertujuan untuk meningkatkan akurasi klasifikasi sentimen dengan menggunakan ekstraksi fitur TF-IDF dan Count Vectorizer serta seleksi fitur Information Gain. Selain itu, penelitian ini juga menggunakan N-gram sebagai salah satu cara untuk mengekstraksi fitur yang lebih informatif. Dataset yang digunakan dalam penelitian ini adalah opini pengguna Twitter mengenai perkembangan Artificial Intelligence yang dikategorikan menjadi tiga kelas, yaitu positif, negatif, dan netral. Dari eksperimen yang dilakukan, penggunaan Information Gain dapat meningkatkan akurasi percobaan secara signifikan. Dengan menggunakan Information Gain, akurasi Naive Bayes meningkat dari 59.86% menjadi 72.02% dengan menggunakan Count Vectorizer dan N-gram, sedangkan akurasi SVM meningkat dari 61.47% (TF-IDF) menjadi 62.38% (Count Vectorizer dengan N-gram). Eksperimen juga menunjukkan Naive Bayes lebih cocok dengan Count Vectorizer dan SVM lebih cocok dengan TF-IDF. Selain itu, eksperimen juga menunjukkan rasio 80:20 merupakan rasio data latih dan uji terbaik.