<![CDATA[Pertumbuhan pesat aplikasi kesehatan digital seperti FatSecret memicu lonjakan ulasan pengguna di Google Play Store yang memuat informasi strategis bagi pengembang. Namun, volume data tekstual yang besar dan tidak terstruktur menyulitkan proses ekstraksi informasi secara manual. Penelitian ini bertujuan untuk mengomparasikan kinerja algoritma Naïve Bayes Classifier (NBC) dan Support Vector Machine (SVM) dalam mengklasifikasikan sentimen pengguna. Metode penelitian menggunakan pendekatan kuantitatif eksperimental yang mencakup pengumpulan 2.000 data ulasan melalui web scraping, pra-pemrosesan teks, dan ekstraksi fitur berbasis Term Frequency-Inverse Document Frequency (TF-IDF). Hasil evaluasi menunjukkan bahwa algoritma Naïve Bayes memiliki performa lebih unggul dengan akurasi mencapai 97.16%, sedangkan SVM dengan kernel linear menghasilkan akurasi sebesar 96.64%. Selisih akurasi ini mengindikasikan bahwa pendekatan probabilistik Naïve Bayes lebih efektif dalam menangani karakteristik data ulasan aplikasi FatSecret dibandingkan SVM]]>
Copyrights © 2026
