<![CDATA[Timnas Indonesia baru saja menjadi tuan rumah pertandingan persahabatan melawan Argentina yang digelar di Gelora Bung Karno Jakarta yang menjadi perbincangan hangat masyarakat terutama di twitter. Pada penelitian ini akan dilakukan analisis sentimen pasca pertandingan sepak bola Indonesia melawan Argentina pada twitter dengan sejumlah 700 tweet data. Metode yang digunakan adalah Multinomial Naïve bayes dan gaussian Naïve Bayes. Namun dalam proses klasifikasi, seringkali terdapat masalah yang ditemukan oleh peneliti yaitu ketidakseimbangan data. Maka dari itu, pada penelitian ini menambahkan teknik balancing data, Random Oversampling, Undersampling dan SMOTE. Teknik balancing diharapkan dapat meningkatkan hasil pada klasifikasi. Seluruh data akan diproses menggunakan metode K-Fold Cross Validation dengan variasi nilai K 2, 5, 7 dan 10. Hasil pengujian metode Multinomial Naïve bayes tanpa menggunakan teknik balancing mendapatkan nilai akurasi tertinggi sebesar 69%, presisi 69% dan recall 69%. Metode gaussian Naïve Bayes tanpa teknik balancing mendapatkan nilai akurasi tertinggi sebesar 58%, presisi 58% dan recall 57%. Sedangkan hasil uji menggunakan metode Multinomial Naïve bayes dengan menambahkan teknik balancing dapat diketahui jika menggunakan Random Oversampling mendapatkan nilai akurasi tertinggi sebesar 80%, presisi 81% dan recall 80%. Untuk metode gaussian Naïve Bayes dengan menambahkan teknik balancing dapat diketahui jika menggunakan SMOTE mendapatkan nilai akurasi tertinggi sebesar 79%, presisi 79% dan recall 79%. Dapat disimpulkan bahwa metode Multinomial Naïve bayes pada penelitian ini lebih efektif dibandingkan dengan Gaussian Naïve Bayes.The Indonesian national football team recently hosted a friendly match against Argentina at Gelora Bung Karno Stadium in Jakarta, sparking widespread discussions, especially on Twitter. This research focuses on sentiment analysis post the Indonesia vs. Argentina football match on Twitter, utilizing a dataset of 700 tweets. The methods employed include Multinomial Baive Bayes and Gaussian Naive Bayes. However, during the classification process, researchers encountered data imbalance issues. Therefore, this study incorporates data balancing techniques such as Random Oversampling, Undersampling, and SMOTE to enhance classification results. The entire dataset will be processed using K-Fold Cross Validation with varying K values of 2, 5, 7, and 10. Testing the Multinomial Naive Bayes method without balancing techniques yielded the highest accuracy of 69%, precision of 69%, and recall of 69%. The Gaussian Naive Bayes method without balancing techniques achieved the highest accuracy of 58%, precision of 58%, and recall of 57%. In contrast, testing the Multinomial Naive Bayes method with the addition of balancing techniques revealed that using Random Oversampling resulted in the highest accuracy of 80%, precision of 81%, and recall of 80%. For the Gaussian Naive Bayes method with balancing techniques, using SMOTE achieved the highest accuracy of 79%, precision of 79%, and recall of 79%. In conclusion, the Multinomial Naive Bayes method in this study proved to be more effective than the Gaussian Naive Bayes method.]]>
