Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal CESS (Journal of Computer Engineering, System and Science)
Hendrawan, Gigih Nur
Unknown Affiliation
Computer Science & IT

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Evaluasi Performa Naive Bayes dan SVM dalam Analisis Sentimen Kendaraan Listrik di Media Sosial Twitter Hendrawan, Gigih Nur; Kusniyati, Harni
CESS (Journal of Computer Engineering, System and Science) Vol 9, No 1 (2024): January 2024
Publisher : Universitas Negeri Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24114/cess.v9i1.54086

Abstract

Perkembangan teknologi dalam industri otomotif telah mengalami kemajuan yang signifikan, Salah satu pendorong utama perubahan ini adalah kebutuhan untuk mengatasi masalah lingkungan terutama pencemaran udara yang dihasilkan kendaraan bermotor yang berkontribusi terhadap perubahan iklim global. Kendaraan listrik dinilai sebagai salah satu solusi yang lebih ramah lingkungan dan berkelanjutan. Kendaraan listrik adalah jenis kendaraan yang menggunakan listrik sebagai sumber daya utama untuk menggerakkan mesin atau motor yang menggerakkan kendaraan tersebut. Jenis penelitian yang dipergunakan adalah penelitian kuantitatif yang mengacu pada pendekatan penelitian dengan cara mengumpulkan data yang dapat diukur secara numerik atau menggunakan metode statistik untuk menganalisis data tersebut. Tujuan utama penelitian ini adalah untuk memperbandingkan kinerja antara Algoritma Naïve Bayes dan Support Vector Machine (SVM) dalam mengklasifikasikan sentimen masyarakat terhadap kendaraan listrik di media sosial Twitter, dengan fokus pada mengukur tingkat akurasi, recall, dan presisi dari kedua algoritma tersebut. Evaluasi komparatif antara Support Vector Machine (SVM) dan Naive Bayes dalam klasifikasi sentimen data Twitter menunjukkan bahwa SVM secara signifikan lebih unggul dengan akurasi 95.79% dibandingkan Naive Bayes yang memiliki akurasi 87.39%. SVM menonjol dalam mengklasifikasikan sentimen ''negatif'' dan ''positif'' dengan lebih akurat, sementara Naive Bayes cenderung melakukan lebih banyak kesalahan klasifikasi, walaupun SVM menunjukkan hasil yang menjanjikan, terdapat kekhawatiran mengenai overfitting.
Co-Authors Harni Kusniyati