Perbandingan Naïve Bayes dan Support Vector Machine Untuk Analisis Sentimen Pengguna Jobstreet

Abstrak

Meningkatnya penggunaan platform pencarian kerja digital seperti Jobstreet menghasilkan banyak ulasan pengguna yang dapat dimanfaatkan untuk memahami tingkat kepuasan dan pengalaman mereka terhadap layanan tersebut. Namun, jumlah ulasan yang besar membuat analisis manual menjadi tidak efektif sehingga diperlukan pendekatan melalui analisis sentimen. Penelitian ini bertujan menganalisis 4835 data ulasan pengguna jobstreet yang diambil dari Google Play Store dengan pendekatan text mining, eksperimen ini berupaya membandingkan dua metode klasifikasi, yaitu Naïve Bayes dan Support Vector Machine (SVM), dalam mengelompokkan ulasan pengguna jobstreet ke dalam sentimen positif dan negatif. Selain itu, penelitain ini juga menerapkan teknik Synthetic Minority Over-Sampling Tecnique (SMOTE) untuk menangani ketidakseimbangan kelas pada dataset ulasan, yang sering berdampak pada penurunan kemampuan model dalam mengenali sentimen dengan jumlah data yang lebih sedikit. Hasil evaluasi menunjukan bahwa SVM memberikan performa lebih stabil dengan akurasi meningkat dari 89% menjadi 91%, sedangkan Naïve Bayes meningkat dari 88% menjadi 90%. Penerapan SMOTE efektif dalam mengoptimalkan performa model dalam mendeteksi sentimen negatif, yang ditunjukan oleh kenaikan recall Naïve Bayes dari 85% menjadi 95% dan SVM dari 87% menjadi 93%. Secara keseluruhan, metode SVM menjadi algoritma yang lebih unggul untuk analisis sentimen ulasan pengguna Jobstreet karena memberikan hasil yang lebih konsisten pada berbagai metrik evaluasi.