<![CDATA[Abstrak - Penelitian ini mengevaluasi kinerja 2 algoritma klasifikasi, yakni Support Vector Machine (SVM) serta Naïve Bayes, dalam melaksanakan analisis terhadap sentimen komentar terkait kebijakan kenaikan PPN sebesar 12%. Hasil analisis memperlihatkan bahwasanya SVM mempunyai tingkat akurasi lebih tinggi, yang memiliki rata-rata 82.39%, sedangkan Naïve Bayes hanya mencapai 78.62%. Di sisi lain, SVM pun punya keunggulan dalam nilai F1-Score, yaitu 41.73%, dibandingkan dengan Naïve Bayes yang memperoleh 30.96%. Meskipun nilai presisi Naïve Bayes tidak jauh berbeda dengan SVM (49.71% berbanding 51.35%), secara keseluruhan, SVM menunjukkan performa yang lebih baik. Temuan ini memperlihatkan bahwasanya SVM lebih unggul dalam mengenali pola sentimen yang kompleks dalam data yang dianalisis. Dapat disimpulkan, SVM lebih disarankan untuk digunakan dalam analisis sentimen karena memberikan hasil yang stabil dan akurat.Kata Kunci: Analisis Sentimen, SMOTE, Support Vector Machine (SVM), Naïve Bayes, PPN 12% Abstract - This research evaluates the performance of two classification algorithms, Support Vector Machine (SVM) and Naïve Bayes, in analyzing sentiment from comments related to the 12% VAT increase policy. The analysis results conduct that SVM achieves a higher accuracy rate, averaging 82.39%, while Naïve Bayes reaches only 78.62%. Additionally, SVM outperforms Naïve Bayes in terms of F1-Score, achieving 41.73% compared to 30.96%. Although the precision of Naïve Bayes is relatively close to that of SVM (49.71% vs. 51.35%), SVM demonstrates overall superior performance. These findings suggest that SVM is more effective in recognizing complex sentiment patterns in the analyzed comments. Therefore, SVM is recommended for sentiment analysis in this domain as it provides more stable and accurate results.Keywords: Sentiment Analysis, SMOTE, Support Vector Machine (SVM), Naïve Bayes, VAT 12%]]>
Copyrights © 2025
