Perbandingan Algoritma SVM dan Naïve Bayes Berbasis SMOTE dalam Analisis Sentimen Komentar Tiktok pada Produk Skincare

Abstract

This research compares the performance of the Support Vector Machine (SVM) and Naïve Bayes algorithms in sentiment analysis of TikTok comments about skincare products, using the Synthetic Minority Over-sampling Technique (SMOTE) to address data imbalance. The evaluation results indicate that SVM outperforms Naïve Bayes, achieving an accuracy of 59.43% compared to 47.65%. Additionally, SVM excels in the F1 Score metric (60.37% versus 54.74%), although Naïve Bayes demonstrates slightly higher precision (67.96% compared to 62.76%). Therefore, SVM proves to be more effective in classifying sentiment comments, making it the recommended algorithm for sentiment analysis tasks in the skincare product domain on TikTok.Riset ini membandingkan performa algoritma Support Vector Machine (SVM) dan Naïve Bayes dalam analisis sentimen komentar TikTok tentang produk skincare, dengan menggunakan teknik Synthetic Minority Over-sampling Technique (SMOTE) untuk menangani ketidakseimbangan data. Hasil evaluasi menunjukkan bahwa SVM memiliki performa yang lebih unggul dibandingkan Naïve Bayes dengan akurasi 59,43% berbanding 47,65%. Selain itu, SVM juga unggul dalam metrik F1 Score (60,37% dibandingkan 54,74%), meskipun Naïve Bayes memiliki presisi yang sedikit lebih tinggi (67,96% berbanding 62,76%). Dengan demikian, SVM lebih efektif dalam mengklasifikasikan sentimen komentar, menjadikannya algoritma yang lebih direkomendasikan untuk tugas analisis sentimen pada domain produk skincare di TikTok.