Komparasi Kinerja Model Naive Bayes, SVM, dan BERT dalam Klasifikasi Sentimen Ulasan Pada Aplikasi YUMMY

Abstract

Ulasan pada Google Play Store memainkan peran penting dalam membentuk persepsi publik terhadap sebuah aplikasi. Penelitian ini bertujuan untuk melakukan sentimen ulasan dengan mengklasifikasikan mejadi kategori positif dan negatif di aplikasi Yummy, serta membandingkan performa tiga metode klasifikasi teks: Naive Bayes, Support Vector Machine (SVM), dan Bidirectional Encoder Representations from Transformers (BERT). Sebanyak 6.773 data ulasan didapatkan melalui scraping dan diproses dengan tahapan pra-pemrosesan seperti pembersihan teks, tokenisasi, stopword removal, dan stemming. Representasi fitur dilakukan menggunakan TF-IDF untuk Naive Bayes dan SVM, sedangkan BERT memanfaatkan token embedding dari model pra-latih. Hasil eksperimen menunjukkan bahwa SVM menghasilkan performa sangat efektif dengan akurasi 94%, diikuti oleh Naive Bayes dan BERT yang keduanya mencapai akurasi 90%. SVM juga menunjukkan keseimbangan yang lebih baik dalam mengklasifikasikan teks sentimen positif dan negatif. Temuan ini menegaskan SVM direkomendasikan sebagai solusi yang stabil dan efisien dalam analisis sentimen teks berbahasa Indonesia.