ANALISIS PERBANDINGAN SVM, KNN DAN NAÏVE BAYES PADA SENTIMENT ANALYSIS TWEET MAKAN BERGIZI GRATIS

Abstrak

Penelitian ini mengkaji efektivitas tiga algoritma klasifikasi machine learning, yaitu Support Vector Machine (SVM), K-Nearest Neighbor (KNN), dan Naïve Bayes, dalam menganalisis sentimen opini publik terhadap Program Makan Bergizi Gratis menggunakan data dari platform X (Twitter). Data tweet dikumpulkan melalui Tweet Harvest dengan penerapan penyaringan berbasis kata kunci selama periode Agustus hingga Oktober 2025. Sebelum proses pemodelan, data teks melalui tahapan pra-pemrosesan yang meliputi pembersihan data, normalisasi huruf, standarisasi leksikal, tokenisasi, penghapusan stopword, dan stemming. Pelabelan sentimen dilakukan menggunakan pendekatan berbasis leksikon untuk mengklasifikasikan opini ke dalam kategori positif dan negatif. Selanjutnya, data dibagi menjadi data latih dan data uji untuk proses klasifikasi. Evaluasi kinerja model dilakukan menggunakan metrik akurasi yang diperoleh dari confusion matrix. Hasil penelitian menunjukkan bahwa algoritma SVM menghasilkan akurasi tertinggi sebesar 91,7%, diikuti oleh Naïve Bayes sebesar 79,6% dan KNN sebesar 79,3%, yang mengindikasikan keunggulan SVM dalam menangani kompleksitas representasi teks pada analisis sentimen media sosial.