<![CDATA[Pesatnya pertumbuhan platform berita online memerlukan analisis sentimen otomatis di berbagai domain. Penelitian ini mengevaluasi dan membandingkan empat algoritma supervised machine learning Logistic Regression, Naïve Bayes, Random Forest, dan Support Vector Machine (SVM) untuk klasifikasi sentimen multi-kelas pada 3.500 artikel berita dalam tujuh kategori. Data teks mentah melalui tahap preprocessing (case folding, pembersihan URL/HTML, penghapusan tanda baca/angka, filtering stopword, dan stemming), dilanjutkan dengan vektorisasi TF-IDF serta seleksi fitur berbasis varians. Dataset dibagi menggunakan stratified split 80:20, dan model dievaluasi menggunakan Akurasi, Presisi, Recall, dan F1-score rata-rata makro untuk menangani ketidakseimbangan kelas. Di antara algoritma yang diuji, Random Forest meraih kinerja klasifikasi tertinggi dengan akurasi keseluruhan sebesar 75,10% dan macro F1-score sebesar 63,39%. Hasil ini memberikan wawasan praktis dalam pemilihan algoritma machine learning yang efektif untuk klasifikasi sentimen berita online multi-domain secara otomatis.]]>
Copyrights © 2026
