Analisis Sentimen Pada Ulasan IMDb Dengan Algoritma Naïve Bayes dan SVM

Abstract

IMDb merupakan platform populer yang menyediakan ulasan film dari berbagai pengguna di seluruh dunia. Banyaknya ulasan yang tersedia menjadikan proses analisis secara manual tidak efisien dan memerlukan metode otomatis. Penelitian ini bertujuan untuk membandingkan kinerja dua algoritma klasifikasi teks, yaitu Naïve Bayes dan Support Vector Machine (SVM), dalam melakukan analisis sentimen terhadap ulasan film di IMDb. Proses analisis dimulai dengan tahapan preprocessing data, seperti pembersihan teks, tokenisasi, penghapusan stopword, dan stemming. Setelah itu, fitur teks diolah menggunakan teknik pembobotan TF-IDF untuk menghasilkan representasi numerik. Dataset kemudian dibagi menjadi data latih dan data uji untuk mengukur performa model menggunakan metrik seperti akurasi, presisi, recall, dan f1-score. Hasil evaluasi menunjukkan bahwa algoritma SVM memperoleh akurasi sebesar 89%, sementara Naïve Bayes mencapai akurasi 87%. Perbedaan ini menunjukkan bahwa SVM memiliki keunggulan dalam klasifikasi yang lebih akurat, sedangkan Naïve Bayes tetap kompetitif dalam hal kecepatan dan efisiensi. Dengan demikian, hasil penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan sistem analisis sentimen otomatis yang lebih akurat dan efisien, khususnya untuk ulasan berbasis teks seperti pada IMDb.