<![CDATA[Pertumbuhan industri film dan semakin beragamnya konten menyebabkan pengelompokan film berdasarkan genre menjadi semakin menantang. Penelitian ini bertujuan untuk membandingkan kinerja algoritma K-Nearest Neighbor (KNN) dan Naive Bayes dalam mengklasifikasikan genre film berdasarkan teks sinopsis. Proses pengolahan teks dilakukan menggunakan pendekatan Natural Language Processing (NLP) dan ekstraksi fitur Term Frequency-Inverse Document Frequency (TF-IDF) dengan pendekatan single-label classification. Dataset diperoleh dari The Movie Database (TMDB) dan terdiri atas 1.000 sinopsis film berbahasa Inggris yang terbagi secara seimbang ke dalam lima genre, yaitu Action, Horror, Romance, Comedy, dan Science Fiction. Dataset kemudian dibagi menjadi 80% data latih dan 20% data uji. Hasil pengujian menunjukkan bahwa Naive Bayes dengan Laplace Smoothing (alpha = 1,0) menghasilkan kinerja lebih baik dengan Accuracy 59,00%, Precision 58,44%, Recall 59,00%, dan F1-score 58,50%. Sementara itu, KNN (K = 5) dengan Cosine Similarity memperoleh Accuracy 44,00%, Precision 45,16%, Recall 44,00%, dan F1-score 44,06%. Performa Naive Bayes yang lebih baik berkaitan dengan kemampuannya dalam memanfaatkan pola probabilitas kosakata pada masing-masing genre, meskipun kedua model masih menghadapi kesulitan pada genre dengan kosakata yang saling beririsan. Berdasarkan hasil tersebut, Naive Bayes lebih efektif dibandingkan KNN untuk klasifikasi genre film pada dataset yang digunakan.]]>
