Perbandingan Naïve Bayes dan Support Vector Machine Untuk Analisis Sentimen Pengguna Jobstreet

Andica Parlindungan Zai; Sushanty Saleh

doi:10.36080/idealis.v9i1.3663

Authors

Andica Parlindungan Zai Sistem Informasi, Fakultas Ilmu Komputer, Institut Informatika dan Bisnis Darmajaya, Bandar Lampung, Indonesia
Sushanty Saleh Sistem Informasi, Fakultas Ilmu Komputer, Institut Informatika dan Bisnis Darmajaya, Bandar Lampung, Indonesia

DOI:

https://doi.org/10.36080/idealis.v9i1.3663

Keywords:

Analisis Sentimen, Jobstreet, Naïve Bayes, SVM, SMOTE

Abstract

Meningkatnya penggunaan platform pencarian kerja digital seperti Jobstreet menghasilkan banyak ulasan pengguna yang dapat dimanfaatkan untuk memahami tingkat kepuasan dan pengalaman mereka terhadap layanan tersebut. Namun, jumlah ulasan yang besar membuat analisis manual menjadi tidak efektif sehingga diperlukan pendekatan melalui analisis sentimen. Penelitian ini bertujan untuk menganalisis 4835 data ulasan pengguna jobstreet yang dimana data diperoleh dari Google Play Store dengan pendekatan text mining, eksperimen ini berupaya membandingkan dua metode klasifikasi, yaitu Naïve Bayes dan Support Vector Machine (SVM), dalam mengelompokkan ulasan pengguna jobstreet kedalam sentimen positif dan negatif. Selain itu, penelitain ini juga menerapkan teknik Synthetic Minority Over-Sampling Tecnique (SMOTE) untuk menangani ketidakseimbangan kelas pada dataset ulasan, yang sering berdampak pada penurunan kemampuan model dalam mengenali sentimen dengan jumlah data yang lebih sedikit. Hasil evaluasi menunjukan bahwa algoritma SVM memberikan performa lebih stabil dengan akurasi meningkat dari 89% menjadi 91%, sedangkan algoritma Naïve Bayes meningkat dari 88% menjadi 90%. Penerapan teknik SMOTE efektif dalam mengoptimalkan performa model dalam mendeteksi sentimen negatif, yang ditunjukan oleh kenaikan recall pada kedua model, yaitu algoritma Naïve Bayes dari 85% menjadi 95% dan SVM dari 87% menjadi 93%. Secara keseluruhan, metode SVM menjadi algoritma yang lebih unggul untuk analisis sentimen ulasan pengguna Jobstreet karena memberikan hasil yang lebih konsisten pada berbagai metrik evaluasi.

Downloads

Download data is not yet available.

References

[1] H. Margahana, “Business Development in the Digital Age,” Int. J. Adv. Sci. Comput. Appl., vol. 3, no. 2, pp. 2787–2792, 2024, doi: 10.47679/ijasca.v3i2.55.

[2] K. et al 2023, “Manajemen Profil Pekerja di Website Jobstreet Sebagai Kesempatan Karier di Kalangan Gen Z,” vol. 4, no. 9, pp. 167–186, 2021.

[3] R. D. Wahyuni and A. N. Utomo, “Penggunaan Metode Lexicon Untuk Analisis Sentimen pada Ulasan Aplikasi KAI Access di Google Play Store,” J. Rekayasa Inf., vol. 11, no. 2, pp. 134–145, 2022.

[4] Syahril Dwi Prasetyo, Shofa Shofiah Hilabi, and Fitri Nurapriani, “Analisis Sentimen Relokasi Ibukota Nusantara Menggunakan Algoritma Naïve Bayes dan KNN,” J. KomtekInfo, vol. 10, pp. 1–7, 2023, doi: 10.35134/komtekinfo.v10i1.330.

[5] P. Arsi and R. Waluyo, “Sentiment Analysis of Discourse on Moving the Indonesian Capital City Using the Support Vector Machine (SVM) Algorithm,” J. Teknol. Inf. dan Ilmu Komput., vol. 8, no. 1, p. 147, 2021, doi: 10.25126/jtiik.202183944.

[6] Y. Yunitasari and A. R. Putera, “Analisis Sentimen Masyarakat di Twitter Terkait Pandemi Covid-19,” Smatika J., vol. 11, no. 01, pp. 22–26, 2021, doi: 10.32664/smatika.v11i01.520.

[7] A. Setiawan and R. R. Suryono, “Analisis Sentimen Ibu Kota Nusantara menggunakan Algoritma Support Vector Machine dan Naïve Bayes,” Edumatic J. Pendidik. Inform., vol. 8, no. 1, pp. 183–192, 2024, doi: 10.29408/edumatic.v8i1.25667.

[8] N. Nurzaman, N. Suarna, and W. Prihartono, “Analisis Sentimen Ulasan Aplikasi Threads Di Google Playstore Menggunakan Algoritma Naïve Bayes,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 1, pp. 967–974, 2024, doi: 10.36040/jati.v8i1.8708.

[9] S. Syafrizal, M. Afdal, and R. Novita, “Analisis Sentimen Ulasan Aplikasi PLN Mobile Menggunakan Algoritma Naïve Bayes Classifier dan K-Nearest Neighbor,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. 1, pp. 10–19, 2023, doi: 10.57152/malcom.v4i1.983.

[10] A. Puji Astuti, S. Alam, and I. Jaelani, “Komparasi Algoritma Support Vector Machine dengan Naive Bayes Untuk Analisis Sentimen Pada Aplikasi BRImo,” J. Bangkit Indones., vol. 11, no. 2, pp. 1–6, 2022, doi: 10.52771/bangkitindonesia.v11i2.196.

[11] A. A. Munandar, F. Farikhin, and C. E. Widodo, “Sentimen Analisis Aplikasi Belajar Online Menggunakan Klasifikasi SVM,” JOINTECS (Journal Inf. Technol. Comput. Sci., vol. 8, no. 2, p. 77, 2023, doi: 10.31328/jointecs.v8i2.4747.

[12] S. Khairunnisa, A. Adiwijaya, and S. Al Faraby, “Pengaruh Text Preprocessing terhadap Analisis Sentimen Komentar Masyarakat pada Media Sosial Twitter (Studi Kasus Pandemi COVID-19),” J. Media Inform. Budidarma, vol. 5, no. 2, p. 406, 2021, doi: 10.30865/mib.v5i2.2835.

[13] A. A. Kurniawan and M. Mustikasari, “Implementasi Deep Learning Menggunakan Metode CNN dan LSTM untuk Menentukan Berita Palsu dalam Bahasa Indonesia,” J. Inform. Univ. Pamulang, vol. 5, no. 4, p. 544, 2021, doi: 10.32493/informatika.v5i4.6760.

[14] K. D. Indarwati and H. Februariyanti, “Analisis Sentimen Terhadap Kualitas Pelayanan Aplikasi Gojek Menggunakan Metode Naive Bayes Classifier,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 10, no. 1, 2023, doi: 10.35957/jatisi.v10i1.2643.

[15] A. B. Muzayyanah, R. E. Pawening, and Z. Arifin, “Analisis Sentimen Pada Ulasan Aplikasi Ehadrah Di Google Playstore Menggunakan Support Vector Machine (Svm),” IDEALIS Indones. J. Inf. Syst., vol. 7, no. 2, pp. 258–266, 2024, doi: 10.36080/idealis.v7i2.3250.

[16] L. Nursinggah, R. Ruuhwan, and T. Mufizar, “Analisis Sentimen Pengguna Aplikasi X Terhadap Program Makan Siang Gratis Dengan Metode Naïve Bayes Classifier,” J. Inform. dan Tek. Elektro Terap., vol. 12, no. 3, 2024, doi: 10.23960/jitet.v12i3.4336.

[17] M. Rahardi, A. Aminuddin, F. F. Abdulloh, and R. A. Nugroho, “Sentiment Analysis of Covid-19 Vaccination using Support Vector Machine in Indonesia,” Int. J. Adv. Comput. Sci. Appl., vol. 13, no. 6, pp. 534–539, 2022, doi: 10.14569/IJACSA.2022.0130665.

[18] C. Candra, K. W. Chandra, and H. Irsyad, “Efektifitas SMOTE dalam Mengatasi Imbalanced Class Algoritma K-Nearest Neighbors pada Analisis Sentimen terhadap Starlink,” J. Ilmu Komput. dan Inform., vol. 4, no. 1, pp. 31–42, 2024, doi: 10.54082/jiki.132.

[19] T. Safitri, Y. Umaidah, and I. Maulana, “Analisis Sentimen Pengguna Twitter Terhadap Grup Musik BTS Menggunakan Algoritma Support Vector Machine,” J. Appl. Informatics Comput., vol. 7, no. 1, pp. 28–35, 2023, doi: 10.30871/jaic.v7i1.5039.

[20] D. P. Santoso and W. Wibowo, “Analisis Sentimen Ulasan Aplikasi Buzzbreak Menggunakan Metode Naïve Bayes Classifier pada Situs Google Play Store,” J. Sains dan Seni ITS, vol. 11, no. 2, 2022, doi: 10.12962/j23373520.v11i2.72534.