<![CDATA[Pertumbuhan pesat teknologi informasi telah memudahkan masyarakat dalam mengakses layanan perekrutan kerja melalui platform digital seperti JobStreet. Namun, tingginya interaksi pengguna juga memunculkan berbagai ulasan, termasuk sentimen negatif yang dapat memengaruhi citra perusahaan. Oleh karena itu, analisis sentimen menjadi penting untuk mengidentifikasi opini negatif secara otomatis. Penelitian ini bertujuan untuk menganalisis sentimen negatif pada ulasan pengguna aplikasi JobStreet dengan memanfaatkan Hadoop Distributed File System (HDFS) sebagai media penyimpanan data berskala besar, serta membandingkan kinerja metode Naive Bayes dan Support Vector Machine (SVM). Tahapan penelitian meliputi pengumpulan data ulasan pengguna, pra-pemrosesan teks (pembersihan, tokenisasi, stopword removal, dan stemming), pembobotan menggunakan TF-IDF, serta klasifikasi dengan metode Naive Bayes dan SVM. Evaluasi kinerja dilakukan berdasarkan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa kedua algoritma mampu mengklasifikasikan sentimen negatif dengan baik, namun SVM memberikan kinerja lebih unggul dibandingkan Naive Bayes. SVM memperoleh akurasi 86%, recall 0,84%, dan F1-score 0,85%, sedangkan Naive Bayes mencatat akurasi 80%, recall 0,76%, dan F1-score 0,79%. Hal ini menunjukkan bahwa pemilihan algoritma berpengaruh terhadap kualitas analisis sentimen]]>
Copyrights © 2025
