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

Pertumbuhan pesat layanan streaming digital seperti Netflix telah menghasilkan jutaan ulasan pengguna di platform seperti Google Play Store, namun volume data yang besar menjadikan analisis manual tidak efektif dan rentan subjektivitas. Penelitian ini bertujuan untuk 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 pengguna Netflix dari platform Kaggle. Pelabelan sentimen dilakukan berdasarkan nilai rating pengguna, di mana score 1–2 dikategorikan sebagai negatif, score 3 sebagai netral, dan score 4–5 sebagai positif. Tahapan penelitian meliputi preprocessing data (cleaning, case folding, tokenization, stopword removal, dan stemming), transformasi data menggunakan TF-IDF, klasifikasi sentimen ke dalam kategori positif, netral, dan negatif, serta evaluasi model menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma SVM memiliki kinerja lebih baik dibandingkan Naive Bayes, dengan nilai accuracy 78,48% dan F1-score 75,34%, berbanding accuracy 77,30% dan F1-score 73,23% pada Naive Bayes. Kedua algoritma mengalami kesulitan dalam mengklasifikasikan sentimen netral akibat ketidakseimbangan kelas, di mana kelas netral hanya mencakup 10,66% dari total dataset.