Perbandingan Kinerja Algoritma Naive Bayes dan K-Nearest Neighbor dalam Menganalisis Sentimen Pengguna Game Free Fire

Abstract

Free Fire adalah salah satu game online terpopuler di Indonesia, namun terus menerima beragam ulasan pengguna terkait pengalaman bermain game. Ulasan-ulasan ini mencerminkan beragam persepsi pengguna, termasuk pujian dan kritik, sehingga analisis sentimen menjadi penting untuk memahami kepuasan pengguna. Penelitian ini bertujuan untuk mengklasifikasikan sentimen pengguna terhadap Free Fire menggunakan kumpulan data gabungan yang dikumpulkan dari Google Play Store dan App Store, serta membandingkan kinerja dua algoritma klasifikasi teks: Naive Bayes dan K-Nearest Neighbor (KNN). Data dikumpulkan menggunakan teknik web scraping dan diberi label secara manual oleh validator ahli. Prapemrosesan teks meliputi pembersihan, tokenisasi, penghapusan stopword, dan stemming, diikuti dengan pembobotan istilah menggunakan metode Term Frequency-Inverse Document Frequency (TF-IDF). Hasil eksperimen menunjukkan bahwa algoritma Naive Bayes mencapai akurasi tertinggi sebesar 72,78%, sedangkan algoritma KNN mencatat akurasi maksimum sebesar 45,91%. Berdasarkan temuan ini, Naive Bayes terbukti lebih efektif dalam mengklasifikasikan sentimen pengguna terkait Free Fire. Hasil penelitian ini diharapkan dapat memberikan wawasan yang konstruktif bagi pengembang untuk meningkatkan kualitas dan pengalaman pengguna game.