PERBANDINGAN ALGORITMA NAIVE BAYES DAN DECISION TREE PADA ANALISIS SENTIMEN MEDIA SOSIAL TERHADAP KENDARAAN LISTRIK INDONESIA MENGGUNAKAN METODE TF-IDF

Abstract

Perkembangan kendaraan listrik sebagai solusi atas krisis energi dan lingkungan memicu perhatian luas di berbagai negara, termasuk di Indonesia. Namun, opini masyarakat terhadap teknologi ini masih menimbulkan perselisihan, sehingga analisis sentimen menjadi penting untuk memahami opini publik. Tujuan dari penelitian guna membandingkan performa algoritma Naïve Bayes dan Decision Tree dalam mengklasifikasikan sentimen masyarakat terhadap kendaraan listrik dari media sosial Twitter dengan tools Google Colab. Data dikumpulkan melalui proses crawling, lalu dilakukan preprocessing teks serta pembobotan fitur dengan metode Term Frequency-Inverse Document Frequency (TF-IDF). Selanjutnya, data diklasifikasikan menggunakan kedua algoritma dan dievaluasi dengan metrik akurasi, presisi, recall, dan f1-score. Hasil penelitian menunjukkan bahwa algoritma Decision Tree menghasilkan performa yang lebih tinggi dibandingkan Naïve Bayes, dengan akurasi mencapai 98,85% dibandingkan 81,54%. Temuan tersebut menampilkan Decision Tree lebih optimal saat mengklasifikasikan data sentimen terhadap kendaraan listrik di Indonesia.