<![CDATA[Penelitian ini bertujuan mengevaluasi kinerja algoritma K-Nearest Neighbors (KNN) dan Naïve Bayes untuk klasifikasi sentimen komentar publik pada akun Instagram pejabat publik di Indonesia. Sebanyak 137.141 komentar dikumpulkan melalui web scraping dan diproses menggunakan tahapan text preprocessing, meliputi case folding, pembersihan teks, tokenization, stopword removal, normalisasi, dan stemming. Representasi fitur menggunakan Term Frequency–Inverse Document Frequency (TF-IDF). Evaluasi performa meliputi accuracy, precision, recall, F1-score, dan waktu komputasi. Hasil menunjukkan bahwa Naïve Bayes memiliki akurasi tertinggi sebesar 0,9230, sedikit lebih baik dibandingkan KNN sebesar 0,9209. Kedua model menunjukkan performa sangat tinggi pada kelas netral, namun rendah pada kelas positif dan negatif akibat ketidakseimbangan kelas. Temuan ini menegaskan bahwa kombinasi TF-IDF dan Naïve Bayes masih menjadi baseline yang efektif untuk analisis sentimen berskala besar pada teks pendek media sosial.]]>
Copyrights © 2025
